کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
4949275 1440043 2017 12 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Causal inference with observational data under cluster-specific non-ignorable assignment mechanism
ترجمه فارسی عنوان
استنتاج کشفی با داده های مشاهدات تحت مکانیزم انتساب خاص غیر خوشه ای خوشه ای
کلمات کلیدی
نتیجه گیری علمی، خوشه خاص غیر قابل انکار، نمره گرایش، شرایط کالیبراسیون،
ترجمه چکیده
برآورد میانگین اثرات درمان علیت در جمعیت برای داده های خوشه ای چند سطحی از مطالعات مشاهده ای پیشنهاد شده است، زمانی که مکانیزم تخصیص درمان خاص خوشه ای غیر قابل انکار است. این یک مطالعه سیاستی سلامتی است که برای ارزیابی هزینه های مرتبط با مجدد بیمارستان به علت تخلیه زودرس انجام می شود. برآوردگر پیشنهاد شده از شرایط کالیبراسیون در سطح خوشه استفاده می کند و نشان داده شده است که سازگار و به طور صحیح طبیعی است. روش پیشنهادی همراه با روش های موجود از طریق شبیه سازی ها مورد ارزیابی قرار می گیرد و برای مطالعه هزینه های مراقبت های بهداشتی با استفاده از داده های کالیفرنیای کالیفرنیا مورد استفاده قرار می گیرد.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر نظریه محاسباتی و ریاضیات
چکیده انگلیسی
An estimator of the population average causal treatment effect is proposed for multi-level clustered data from observational studies when the treatment assignment mechanism is cluster-specific non-ignorable. This is motivated from a health policy study to evaluate the cost associated with rehospitalization due to premature discharge. The proposed estimator utilizes cluster-level calibration condition and is shown to be consistent and asymptotically normal. The proposed method is evaluated along with existing methods through simulations and is applied to the health care cost study using California inpatient dataset.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Computational Statistics & Data Analysis - Volume 113, September 2017, Pages 88-99
نویسندگان
, , ,