PL EN


Preferencje help
Widoczny [Schowaj] Abstrakt
Liczba wyników
2016 | nr 427 Taksonomia 27. Klasyfikacja i analiza danych - teoria i zastosowania | 66--75
Tytuł artykułu

Zastosowanie analizy wrażliwości do oceny wpływu nieobserwowanej zmiennej w Propensity Score Matching

Treść / Zawartość
Warianty tytułu
The Application of Sensitivity Analysis In Assessing The Impact of An Unobservedconfounder in Propensity Score Matching
Języki publikacji
PL
Abstrakty
Coraz częściej do przeprowadzania ewaluacji projektów i programów współfinansowanych ze środków unijnych zalecana jest metoda Propensity Score Matching (PSM). Metoda ta umożliwia redukcję obciążenia selekcyjnego w szacowaniu efektu oddziaływania na jednostki poddane oddziaływaniu ATT (Average Treatment Effect on Treated). W badaniach eksperymentalnych randomizacja powoduje zbalansowanie wszystkich zmiennych, również nieobserwowanych. W badaniach obserwacyjnych tak nie jest, a oszacowany efekt może być spowodowany niekoniecznie przez oddziaływanie, może być wynikiem braku zbalansowania nieuwzględnionej w badaniu zmiennej, wpływającej zarówno na zmienną wynikową, jak i na selekcję do grupy poddanej oddziaływaniu. Metoda analizy wrażliwości zaproponowana przez P.R. Rosenbauma umożliwia ocenę odporności oszacowanego efektu oddziaływania na występowanie takiej potencjalnej nieobserwowanej zmiennej. W artykule metodę granic Rosenbauma zastosowano do zbadania odporności oszacowanego za pomocą PSM efektu netto staży zorganizowanych przez jeden z małopolskich PUP w 2013 r(abstrakt oryginalny)
EN
Propensity Score Matching (PSM) is a method recommended to evaluate projects and programmes co-financed by the European Union. It allows for the reduction of the selection bias while estimating the average treatment effect on treated (ATT). In experimental studies randomisation ensures balance of covariates between the treated and control groups, including unobserved ones. In observational studies an estimated effect can be caused not necessarily by the treatment, but may result from the lack of balance of a variable not accounted for in the study, which influences both the outcome and the selection process. Sensitivity analysis proposed by P.R. Rosenbaum allows for the assessment of the robustness of the treatment effect on the occurrence of such a potential unobserved confounder. The article presents the application of Rosenbaum's bounds method to analyse (with the use of PSM) the robustness of the net effect of internships organised in 2013 by a District Employment Office in Małopolska(original abstract)
Twórcy
  • Uniwersytet Ekonomiczny w Krakowie
Bibliografia
  • Abadie A., 2002, Bootstrap tests for distributional treatment effect in instrumental variable models, Journal of the American Statistical Association, vol. 97 (457), s. 284-292.
  • Caliendo M., Kopeinig S., 2008, Some practical guidance for the implementation of Propensity Score Matching, Journal of Economic Surveys, vol. 22, no. 1, s. 31-72.
  • cran.r-project.org/web/packages/rbounds/rbounds.pdf (wersja z 2.07.2014).
  • Denkowska S., 2015, Wybrane metody oceny jakości dopasowania w Propensity Score Matching,[w:] K . J ajuga, M . Walesiak (red.), Taksonomia 24. Klasyfikacja i analiza danych - teoria i zastosowania, Prace Naukowe Uniwersytetu Ekonomicznego we Wrocławiu, nr 384, s. 60-74.
  • Europan Commission, 2014, The Programming Period 2014-2020. Guidance Document on Monitoring and Evaluation. European Regional Development Fund and Cohesion Fund. Concepts and Recommendations.
  • Keele L., 2010, An overview of rebounds: An R Package for Rosenbaum bounds sensitivity analysis with matched data, www.personal.psu.edu/ljk20/rbounds vignette.pdf (15.05.15).
  • Liu W., Kuramoto S.K., Stuart E.A., 2013, An introduction to sensitivity analysis for unobserved confounding in non-experimental prevention research, Prevention Science, vol. 14, no. 6, s. 570-580
  • Rosenbaum P.R., 2002, Observational Studies, Springer, New York.
  • Rosenbaum P.R., 2005, Observational study, [w:] B.S. Everitt, D.C. Howell (red.), Encyclopedia of Statistics in Behavioral Science, vol. 3, John Wiley & Sons, Hoboken, NJ.
  • Rosenbaum P.R., Rubin D.B., 1983, The central role of propensity score in observational studies for casual effects, Biometrika, vol. 70, no. 1, s. 41-55.
  • Sekhon J.S., 2011, Multivariate and propensity score matching software with automated balance optimization: The matching package for R, Journal of Statistical Software, vol. 42, no. 7, s. 1-52.
  • Strawiński P., 2008, Quasi-eksperymentalne metody ewaluacji, [w:] A. Haber (red.), Środowisko i warsztat ewaluacji, PARP, Warszawa, s. 193-220.
Typ dokumentu
Bibliografia
Identyfikatory
Identyfikator YADDA
bwmeta1.element.ekon-element-000171437230

Zgłoszenie zostało wysłane

Zgłoszenie zostało wysłane

Musisz być zalogowany aby pisać komentarze.
JavaScript jest wyłączony w Twojej przeglądarce internetowej. Włącz go, a następnie odśwież stronę, aby móc w pełni z niej korzystać.