umu.sePublikationer
Ändra sökning
RefereraExporteraLänk till posten
Permanent länk

Direktlänk
Referera
Referensformat
  • apa
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Annat format
Fler format
Språk
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Annat språk
Fler språk
Utmatningsformat
  • html
  • text
  • asciidoc
  • rtf
Probabilistic Analysis of Balancing Scores for Causal Inference
Umeå universitet, Samhällsvetenskapliga fakulteten, Handelshögskolan vid Umeå universitet, Statistik.ORCID-id: 0000-0003-1654-9148
2015 (Engelska)Ingår i: Journal of Mathematics Research, ISSN 1916-9795, E-ISSN 1916-9809, Vol. 7, nr 2, s. 90-100Artikel i tidskrift (Refereegranskat) Published
Abstract [en]

Propensity scores are often used for stratification of treatment and control groups of subjects in observational data to remove confounding bias when estimating of  causal effect of the treatment on an outcome in so-called potential outcome causal modeling framework. In this article, we try to get some insights into basic behavior of  the propensity scores in a probabilistic sense. We do a simple analysis of their usage confining to the case of discrete confounding covariates and outcomes. While making clear about behavior of the propensity score our analysis shows how the so-called prognostic score can be derived simultaneously. However the prognostic score is derived in a limited sense in the current literature whereas our derivation is more general and shows all possibilities of having the score. And we call it outcome score. We argue that application of both the propensity score and the outcome score is the most efficient way for  reduction of dimension in the confounding covariates as opposed to current belief that the propensity score alone is the most efficient way.

Ort, förlag, år, upplaga, sidor
Canada: Canadian Center of Science and Education , 2015. Vol. 7, nr 2, s. 90-100
Nyckelord [en]
causal effects, confounding, potential outcome causal model, causal graphical model
Nationell ämneskategori
Samhällsvetenskap
Forskningsämne
statistik
Identifikatorer
URN: urn:nbn:se:umu:diva-103611DOI: 10.5539/jmr.v7n2p90OAI: oai:DiVA.org:umu-103611DiVA, id: diva2:813759
Projekt
Bayesian causal graphical models for prediction of unemployment persistence
Forskningsfinansiär
Forte, Forskningsrådet för hälsa, arbetsliv och välfärd, 2010-0592Tillgänglig från: 2015-05-25 Skapad: 2015-05-25 Senast uppdaterad: 2018-06-07Bibliografiskt granskad

Open Access i DiVA

Probabilistic Analysis of Balancing Scores for Causal Inference(138 kB)146 nedladdningar
Filinformation
Filnamn FULLTEXT01.pdfFilstorlek 138 kBChecksumma SHA-512
aae275d38f5b2e04658ee3066d9fcca8f33c5868dd0533f23ae17c800025675eca42c6f631d2913e987077d8e9f8acd7eb8e04eafb052df88677ff0700dc089c
Typ fulltextMimetyp application/pdf

Övriga länkar

Förlagets fulltexthttp://www.ccsenet.org/journal/index.php/jmr/article/view/47289

Personposter BETA

Wijayatunga, Priyantha

Sök vidare i DiVA

Av författaren/redaktören
Wijayatunga, Priyantha
Av organisationen
Statistik
I samma tidskrift
Journal of Mathematics Research
Samhällsvetenskap

Sök vidare utanför DiVA

GoogleGoogle Scholar
Totalt: 146 nedladdningar
Antalet nedladdningar är summan av nedladdningar för alla fulltexter. Det kan inkludera t.ex tidigare versioner som nu inte längre är tillgängliga.

doi
urn-nbn

Altmetricpoäng

doi
urn-nbn
Totalt: 579 träffar
RefereraExporteraLänk till posten
Permanent länk

Direktlänk
Referera
Referensformat
  • apa
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Annat format
Fler format
Språk
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Annat språk
Fler språk
Utmatningsformat
  • html
  • text
  • asciidoc
  • rtf