Stabilisation des poids IPW sous Viya

Comment gérer les observations atypiques avec le paramètre de pondération inverse ? - caEffect

Dans les méthodes basées sur les poids comme IPW ou AIPW, certaines observations peuvent recevoir des poids disproportionnés, ce qui déstabilise l'estimation. L'action caEffect inclut une sécurité via le paramètre scaledIPWFlag = 10 (valeur par défaut). Ce paramètre définit un seuil basé sur l'espérance du poids pour signaler les observations dont le poids est potentiellement problématique. Cela permet aux analystes de données de détecter les zones de faible support commun entre les groupes de traitement et de contrôle, assurant ainsi une validité interne supérieure à l'étude.

Exemples pour l'action caEffect

Estimation basique par pondération (IPW)

Utilisation de la méthode IPW pour estimer les moyennes des résultats potentiels en se basant sur les scores de propension déjà présents dans la table.

Analyse robuste AIPW avec modèle de résultat externe

Exemple complet utilisant la méthode AIPW (Augmented IPW) qui nécessite à la fois les probabilités de traitement (modèle de propension) et les prédictions de résultat (modèle de réponse) pour une robustesse maximale face aux erreurs de spécification.

Conseil de l'Expert

Ne vous contentez pas de filtrer les poids après l'analyse. Utilisez systématiquement le poids stabilisé (SW) en multipliant le poids inverse par la probabilité marginale du traitement. Cela réduit la variance de l'estimateur sans introduire le biais associé au "clipping" ou au "trimming" manuel.

Paramètres Avancés pour le Contrôle de la Variance

Estimation Robuste (AIPW) : L'action caEffect combine le modèle de résultat et le modèle de traitement (Augmented IPW). L'avantage est la propriété de "double robustesse" : si l'un des deux modèles est bien spécifié, l'estimation reste convergente malgré des poids atypiques.
Normalisation des poids : L'activation de la normalisation interne dans les procédures CAS garantit que la somme des poids est égale à la taille de l'échantillon, limitant l'influence des valeurs aberrantes sur l'Ecart Type.

Cette réponse vous a-t-elle aidé ?

Vos votes aident à améliorer notre base de connaissances.