Compreendendo a correspondência da pontuação da propensão na pesquisa psicológica

Em pesquisas psicológicas, estudos observacionais servem como ferramentas essenciais para a compreensão do comportamento humano, dos processos mentais e das complexas interações que moldam os desfechos psicológicos. Diferentemente dos ensaios clínicos randomizados controlados (TCCs), que são frequentemente considerados o padrão ouro para estabelecer relações causais, estudos observacionais permitem que pesquisadores examinem fenômenos que seriam antiéticos, impraticáveis ou impossíveis de estudar através da manipulação experimental.

A Propensity Score Matching (PSM) é uma técnica estatística que tenta estimar o efeito de um tratamento, política ou outra intervenção, por meio da contabilização das covariáveis que predizem receber o tratamento.Esta metodologia poderosa ganhou considerável tração em várias disciplinas, incluindo psicologia, medicina, economia e ciências sociais, pois os pesquisadores buscam métodos mais robustos para extrair inferências causais de dados não experimentais.

Paul R. Rosenbaum e Donald Rubin introduziram a técnica em 1983, definindo o escore de propensão como a probabilidade condicional de uma unidade (por exemplo, pessoa, sala de aula, escola) ser atribuída ao tratamento, dada uma série de covariáveis observadas. Desde sua introdução, o PSM tornou-se uma das abordagens mais adotadas para abordar confusão em pesquisas observacionais, oferecendo aos psicólogos uma forma sistemática de aproximar as condições de experimentos randomizados quando a randomização não é viável.

O desafio de confundir em estudos observacionais

A confusão pode ocorrer quando há desequilíbrios nas covariáveis basais que afetam o desfecho de interesse, e constitui uma grande ameaça à validade das estimativas de efeito de tratamento em estudos não experimentais.Na pesquisa psicológica, variáveis de confusão podem assumir muitas formas – características demográficas, condição socioeconômica, condições de saúde mental pré-existentes, características de personalidade, fatores ambientais e inúmeras outras variáveis que podem influenciar tanto a seleção do tratamento quanto os resultados.

A possibilidade de viés surge porque uma diferença no desfecho do tratamento (como o efeito médio do tratamento) entre os grupos tratados e não tratados pode ser causada por um fator que prediz o tratamento e não o próprio tratamento. Por exemplo, ao estudar a eficácia de uma intervenção psicológica para depressão, os indivíduos que procuram tratamento podem diferir sistematicamente daqueles que não procuram de formas que afetam sua trajetória de recuperação – como motivação, apoio social, gravidade dos sintomas ou acesso a recursos.

A confusão nos estudos de medicamentos pode surgir de uma variedade de processos sociomédicos, sendo a forma mais comum decorrente da boa prática médica, dos médicos que prescrevem medicamentos e realizam procedimentos em pacientes que mais provavelmente se beneficiam deles, levando a um viés conhecido como confusão por indicação. Padrões semelhantes ocorrem em pesquisas psicológicas, onde terapeutas podem recomendar intervenções específicas com base nas características do cliente, criando diferenças sistemáticas entre os grupos de tratamento.

Por que os métodos tradicionais são curtos

Historicamente, pesquisadores aplicados têm se baseado no uso de ajuste de regressão para explicar diferenças nas características basais medidas entre indivíduos tratados e não tratados. Embora a regressão multivariável continue sendo uma ferramenta valiosa, ela tem limitações importantes.Quando muitas covariáveis são usadas para ajuste ou o número de eventos de desfecho é muito pequeno, a validade de modelos multivariáveis pode ser comprometida, com uma regra de polegar sugerindo que deve haver pelo menos 10 eventos de desfecho para cada covariável incluída em um modelo multivariável para evitar sobreajustamento.

Além disso, abordagens tradicionais de regressão podem obscurecer questões importantes com a estrutura dos dados, como a falta de sobreposição entre grupos de tratamento e controle em covariáveis-chave. Métodos de pontuação de propensão abordam essas limitações, separando a fase de desenho (criando grupos comparáveis) da fase de análise (estimando efeitos de tratamento), proporcionando maior transparência no processo de pesquisa.

Qual é o resultado da pontuação de propensão?

O escore de propensão é a probabilidade de atribuição de tratamento condicional às características basais observadas. Em vez de tentar combinar indivíduos em múltiplas covariáveis simultaneamente – o que se torna cada vez mais difícil à medida que o número de covariáveis cresce – o MPS condensa todas as informações basais relevantes em uma única pontuação representando a probabilidade de receber tratamento.

O escore de propensão permite desenhar e analisar um estudo observacional (não randomizado) para que ele imite algumas das características particulares de um ensaio controlado randomizado. Ao combinar participantes com escores de propensão semelhantes, mas diferentes estados de tratamento, pesquisadores criam grupos que são equilibrados em covariáveis observadas, reduzindo assim o viés de confusão.

A Fundação Teórica

A combinação tenta reduzir o viés de atribuição do tratamento e mimetizar a randomização, criando uma amostra de unidades que receberam o tratamento comparável em todas as covariáveis observadas a uma amostra de unidades que não receberam o tratamento.A elegância do escore de propensão reside na sua capacidade de alcançar o equilíbrio em múltiplas dimensões simultaneamente.

A "propensão" descreve como é provável que uma unidade tenha sido tratada, dado seus valores covariáveis, com maior confusão de tratamento e covariáveis, e, portanto, quanto mais forte o viés na análise do efeito ingênuo do tratamento, melhor as covariáveis predizem se uma unidade é tratada ou não. Essa relação entre escores de propensão e confusão torna o PSM particularmente valioso quando a seleção do tratamento é altamente não aleatória.

Passos abrangentes na implementação de correspondência de pontuação de propensão

A implementação do PSM em pesquisas psicológicas requer atenção cuidadosa às múltiplas etapas, desde considerações de desenho inicial até análise final, cada etapa envolve importantes decisões metodológicas que podem impactar significativamente a validade e interpretabilidade dos resultados.

Passo 1: Selecionando Covariáveis para o Modelo de Pontuação de Propensão

O primeiro passo na análise do PSM é selecionar covariáveis que possam influenciar os desfechos, com covariáveis que necessitam especificamente influenciar o desfecho e não a escolha do tratamento, processo que requer uma cuidadosa consideração das relações teóricas e empíricas entre as variáveis.

Idealmente, as relações entre tratamento, covariáveis e desfecho devem ser determinadas a priori com base no conhecimento do assunto e na experiência clínica, embora evidências empíricas possam ser utilizadas para aumentar o conhecimento pré-existente.Abordagens puramente orientadas para a seleção de variáveis, como regressão gradual, geralmente são desencorajadas, pois podem incluir variáveis relacionadas ao tratamento, mas não aos desfechos, podendo amplificar e não reduzir o viés.

Em pesquisas psicológicas, covariáveis relevantes podem incluir variáveis demográficas (idade, gênero, etnia, condição socioeconômica), gravidade dos sintomas basais, condições de comorbidade, histórico de tratamento prévio, redes de apoio social e outros fatores conhecidos por influenciar tanto a seleção do tratamento quanto os resultados. O objetivo é incluir todas as variáveis que são verdadeiros fatores de confusão – aquelas que afetam tanto a atribuição do tratamento quanto os resultados – evitando, ao mesmo tempo, variáveis instrumentais que afetam apenas a seleção do tratamento.

Etapa 2: Estimando os Pontuações de Propensão

A regressão logística é o método mais utilizado para estimar os escores de propensão, sendo que nessa abordagem o estado de tratamento serve como variável dependente, sendo todas as covariáveis selecionadas incluídas como variáveis independentes, sendo as probabilidades preditas desse modelo as pontuações de propensão.

No contexto da inferência causal e da metodologia de levantamento, os escores de propensão são estimados (através de métodos como regressão logística, florestas aleatórias, ou outros), utilizando algum conjunto de covariáveis. Embora a regressão logística continue sendo a abordagem mais comum devido à sua simplicidade e interpretabilidade, métodos de aprendizado de máquina mais sofisticados podem ser apropriados quando as relações entre covariáveis e tratamento são complexas ou não lineares.

Como o escore de propensão é uma probabilidade, varia em valor de 0 a 1, os participantes com escores próximos de 0 apresentam probabilidades muito baixas de receber tratamento, dadas suas características, enquanto aqueles com escores próximos de 1 apresentam probabilidades muito elevadas. Em um estudo perfeitamente randomizado, todos os participantes teriam escores de propensão de 0,5, refletindo igual probabilidade de atribuição a qualquer condição.

Passo 3: Participantes Correspondentes

Uma vez estimados os escores de propensão, os pesquisadores devem selecionar um algoritmo de correspondência para emparelhar participantes tratados e não tratados. Existem vários métodos de pareamento, cada um com vantagens e limitações distintas.

Combinação de Vizinhos Mais Próximos

Os pares de pares de vizinhos mais próximos de cada participante tratado com um ou mais participantes de controle que têm as pontuações de propensão mais semelhantes. O mais comum é 1:1 (pares de pareamento) em que 1 participante de controle é igual a 1 participante tratado, embora outras formas de pareamento incluam 2:1, 3:1, 1:1 e muitos a 1. Usar controles múltiplos por participante tratado pode melhorar a precisão, mas também pode aumentar o viés se não houver correspondências próximas.

Caliper de correspondência

O pareamento do Caliper envolve unidades de comparação dentro de uma certa largura do escore de propensão das unidades tratadas que são pareadas, onde a largura é geralmente uma fração do desvio padrão do escore de propensão. Esta abordagem evita correspondências ruins, definindo uma distância máxima aceitável entre as pontuações de propensão. Existem argumentos teóricos para correspondência no logit do escore de propensão, uma vez que esta quantidade é mais provável de ser normalmente distribuída, e para usar uma largura de paquímetro que é uma proporção do desvio padrão do logit do escore de propensão.

Outras abordagens de correspondência

A correspondência do kernel é a mesma que a correspondência de raio, exceto que as observações de controle são ponderadas em função da distância entre o escore de propensão da observação de tratamento e o escore de propensão de controle, sendo o pareamento de raio um caso especial em que é usado um kernel uniforme. Esses métodos permitem o uso de observações de controle múltiplos para cada participante tratado, com pesos refletindo a qualidade do pareamento.

A correspondência completa envolve a formação de conjuntos combinados constituídos por um sujeito tratado e pelo menos um sujeito não tratado ou um sujeito não tratado e pelo menos um sujeito tratado. Esta abordagem flexível maximiza a utilização dos dados disponíveis, mantendo o equilíbrio na pontuação de propensão.

Etapa 4: Avaliar o equilíbrio covariável

Após a correspondência, os pesquisadores devem verificar que o procedimento balanceou as covariáveis entre os grupos de tratamento e controle.É essencial verificar se as covariáveis são equilibradas entre os grupos de tratamento e comparação dentro dos estratos do escore de propensão.Essa avaliação é crucial porque o pareamento bem sucedido deve eliminar diferenças sistemáticas nas covariáveis observadas entre os grupos.

A diferença média padronizada (DME) é, sem dúvida, a estatística mais comumente adotada para avaliar o equilíbrio após o PSM, devido à sua simplicidade em computação e compreensão. Geralmente, considera-se aceitável um DME inferior a 0,1 ou 0,2, indicando um bom equilíbrio entre os grupos. Os pesquisadores devem examinar o equilíbrio para todas as covariáveis incluídas no modelo de pontuação de propensão, bem como para interações e termos de ordem superior, se teoricamente relevantes.

Estimativas relativamente imparciales de efeito de tratamento ainda podem ser obtidas se houver desequilíbrios menores apenas em covariáveis que não se acredita serem fatores de risco fortes para o desfecho, com autores, revisores e leitores que precisam contar com uma combinação de conhecimento de assunto e evidências empíricas para determinar se desequilíbrios de correspondência de escores pós-propensão são susceptíveis de introduzir viés substancial.

Etapa 5: Analisando os Resultados

Uma vez estabelecidos grupos equilibrados, os pesquisadores podem proceder à análise dos resultados, sendo que a abordagem analítica específica depende da natureza da variável desfecho e da questão de pesquisa.Para resultados contínuos, testes t simples ou regressão linear podem ser apropriados.Para resultados binários, testes qui-quadrado ou regressão logística podem ser usados.Para resultados tempo-a-evento, métodos de análise de sobrevivência como modelos de riscos proporcionais de Cox são adequados.

O Efeito de Tratamento Médio sobre o Tratado (TAT) é aplicado para avaliar o efeito de intervenção sobre os pacientes que receberam a intervenção, o que é particularmente relevante na pesquisa psicológica quando o objetivo é compreender o efeito de uma intervenção entre aqueles que realmente receberam, em vez de estimar efeitos para toda a população.

Métodos de pontuação de propensão alternativa

Embora o pareamento seja a aplicação mais reconhecida de escores de propensão, existem vários métodos alternativos para usar escores de propensão para controlar confusão. Cada abordagem tem vantagens distintas e é adequada para diferentes contextos de pesquisa.

Estratificação ou Subclassificação

Uma abordagem comum é dividir os sujeitos em cinco grupos de tamanho igual, utilizando os quintis do escore de propensão estimado, com Cochran (1968) demonstrando que a estratificação nos quintis de uma variável de confusão contínua eliminou aproximadamente 90% do viés devido a essa variável. Rosenbaum e Rubin (1984) estenderam esse resultado para estratificação no escore de propensão, afirmando que a estratificação nos quintis do escore de propensão elimina aproximadamente 90% do viés devido a fatores de confusão medidos ao estimar um efeito linear do tratamento.

A estratificação oferece várias vantagens sobre a correspondência. Ela mantém todos os participantes na análise, evitando a perda de dados que podem ocorrer com correspondência quando não é possível encontrar correspondências adequadas. Ela também fornece uma maneira direta de examinar se os efeitos do tratamento variam entre os níveis do escore de propensão, o que pode revelar heterogeneidade de efeito importante.

Probabilidade inversa de ponderação do tratamento

A probabilidade inversa de ponderação do tratamento (IPTW) utiliza escores de propensão para criar pseudopopulações ponderadas em que a atribuição do tratamento é independente das covariáveis medidas. Os participantes tratados são ponderados pelo inverso de seu escore de propensão (1/e), enquanto os participantes controles são ponderados pelo inverso de um menos seu escore de propensão (1/(1-e)). Essa abordagem cria uma amostra ponderada que mimetiza o que seria observado em um ensaio randomizado.

O IPTW tem a vantagem de utilizar todos os dados disponíveis e pode estimar efeitos médios de tratamento populacional. No entanto, pode ser sensível a escores de propensão extrema, que podem criar pesos muito grandes e estimativas instáveis.

Ajuste de Covariável Usando Pontuações de Propensão

Os escores de propensão também podem ser incluídos como covariáveis em modelos de regressão que predizem os resultados, que combinam os benefícios dos métodos de escore de propensão com o ajuste de regressão tradicional, e, ao incluir o escore de propensão no modelo de desfecho, os pesquisadores podem controlar para todas as covariáveis utilizadas para estimar o escore de propensão através de uma única variável, potencialmente melhorando a eficiência e estabilidade do modelo.

Vantagens da correspondência de pontuação de propensão em pesquisa psicológica

O PSM oferece inúmeros benefícios que o tornam particularmente valioso para pesquisadores psicológicos que trabalham com dados observacionais.

Reduz o vício e a confusão na seleção

O PSM reduz significativamente o viés de confusão, equilibrando as covariáveis entre os grupos de tratamento e controle, com viés de confusão ocorrendo quando variáveis estranhas influenciam tanto o tratamento quanto o desfecho, distorcendo os resultados. Ao criar grupos semelhantes em todas as características basais medidas, o PSM ajuda a isolar o verdadeiro efeito do tratamento ou intervenção da influência das variáveis de confusão.

Aumenta a Validade e a Inferência Causal

Os trabalhos PSM combinaram conjuntos de dados, mimetizando alguns atributos de delineamentos randomizados, a partir de dados observacionais, e em um desenho PSM válido, onde todos os fatores de confusão de base são medidos e pareados, os fatores de confusão seriam equilibrados, permitindo considerar o estado do tratamento como se fosse aleatoriamente atribuído, o que reforça a base para inferência causal, permitindo que pesquisadores façam afirmações mais confiantes sobre os efeitos do tratamento.

Proporciona transparência no design de pesquisa

Os métodos de pontuação de propensão permitem desenhar e analisar estudos observacionais de forma transparente. Diferentemente das abordagens de regressão tradicionais, onde o processo de controle para confusão está incorporado no modelo de desfecho, o PSM separa a fase de desenho (criando grupos equilibrados) da fase de análise (estimando efeitos de tratamento). Essa separação facilita para pesquisadores, revisores e leitores avaliar se foi alcançado um controle adequado para confusão.

Utiliza dados existentes com eficiência

Embora estudos randomizados controlados sejam a abordagem padrão ouro para identificar relações entre uma intervenção e resultados, estudos observacionais permanecem de valor inestimável, pois permitem um aumento do poder e eficiência do estudo, redução do custo e demonstram relações únicas que seriam inviáveis ou não éticas. O PSM permite que pesquisadores extraiam insights causais de conjuntos de dados existentes, incluindo registros eletrônicos de saúde, bases de dados administrativos e dados de pesquisa de arquivo, sem o substancial investimento em tempo e recursos necessários para ECRs.

Lida com vários fatores de confusão Simultaneamente

Comparado com o tradicional exato ou difícil de combinar, o PSM oferece uma maior vantagem em termos de eficiência e controle de viés em estudos, em que há muitas variáveis a considerar. Ao invés de tentar combinar em cada covariável individualmente - o que se torna praticamente impossível com mais de algumas variáveis - o PSM condensa todas as informações covariáveis em uma única pontuação, tornando possível uma correspondência de alta dimensão.

Identifica as regiões de apoio comum

Os métodos de escore de propensão permitem ao pesquisador identificar pacientes que nunca são tratados ou não tratados, sem que esses pacientes forneçam informações sobre os efeitos do tratamento sem que se faça um modelo de suposições que, se incorretas, possam introduzir viés. Ao examinar a sobreposição nas distribuições de escore de propensão entre os grupos tratados e controle, pesquisadores podem identificar a gama de valores covariáveis para os quais comparações válidas podem ser feitas, melhorando a credibilidade das alegações causais.

Aplicações do PSM em Pesquisa Psicológica

A correspondência de pontuação de propensão tem sido aplicada com sucesso em diversas áreas da pesquisa psicológica, demonstrando sua versatilidade e valor.

Psicologia Clínica e Eficácia do Tratamento

Exemplos de uso recente desses métodos incluem avaliar os efeitos da retenção infantil no desenvolvimento socioemocional das crianças, a efetividade dos Alcoólicos Anônimos, os efeitos do pequeno tamanho escolar na realização matemática e o efeito do uso de álcool na escolaridade.Na psicologia clínica, o PSM pode ser utilizado para avaliar a efetividade de abordagens psicoterapias, tratamentos medicamentosos ou intervenções combinadas quando a randomização não é viável.

Por exemplo, pesquisadores podem utilizar o PSM para comparar os desfechos entre pacientes que receberam terapia cognitivo-comportamental versus aqueles que receberam terapia psicodinâmica em ambientes de tratamento naturalista. Ao comparar pacientes com a gravidade dos sintomas basais, comorbidades, características demográficas e outros fatores relevantes, pesquisadores podem obter estimativas mais precisas de efetividade relativa do tratamento do que seria possível com comparações simples entre grupos.

Psicologia do Desenvolvimento

Na psicologia do desenvolvimento, o PSM pode ajudar pesquisadores a entender os efeitos de experiências precoces, intervenções educativas ou exposições ambientais sobre o desenvolvimento infantil.Por exemplo, pesquisadores podem examinar o impacto dos programas de educação infantil sobre o desempenho acadêmico posterior, combinando crianças que frequentaram tais programas com crianças semelhantes que não se basearam no status socioeconômico familiar, na educação parental, no ambiente domiciliar e nas características da criança.

Psicologia social e comunitária

O PSM é valioso para avaliar intervenções e programas sociais de base comunitária, onde a randomização pode ser impraticável ou antiética. Os pesquisadores podem usar o PSM para avaliar o impacto de programas comunitários de saúde mental, intervenções de apoio aos pares ou mudanças políticas sobre os resultados psicológicos, controlando as diferenças nas características da comunidade, demográficas dos participantes e funcionamento basal.

Psicologia em Saúde

Na psicologia da saúde, o PSM pode ser aplicado para estudar os efeitos psicológicos de tratamentos médicos, comportamentos de saúde ou condições de doença, por exemplo, pesquisadores podem examinar o impacto psicológico de receber um diagnóstico de doença crônica, os efeitos de intervenções de promoção da saúde sobre os desfechos de saúde mental ou a relação entre comportamentos de saúde e bem-estar psicológico, utilizando o PSM para controlar fatores de confusão.

Limitações e Considerações Críticas

Embora o PSM seja uma ferramenta poderosa, os pesquisadores devem entender suas limitações e potenciais armadilhas para usá-lo adequadamente e interpretar os resultados corretamente.

O problema da confusão não medida

Os fatores de confusão não contabilizados ou não mensurados podem influenciar o efeito do tratamento e devem ser apontados como limitações, o que representa a limitação mais fundamental do PSM e de todos os métodos observacionais.A validade da PS e dos modelos de desfecho multivariáveis exigem a forte suposição de que todos os fatores de confusão são medidos com precisão e o modelo de exposição ou desfecho é devidamente especificado.

A MPS só pode equilibrar covariáveis observadas, não pode explicar variáveis que não foram medidas ou incluídas no modelo de escore de propensão. Se os fatores de confusão importantes não forem mensurados, o viés permanecerá nas estimativas de efeito do tratamento mesmo após o pareamento, o que reforça a importância de uma seleção cuidadosa de variáveis com base na compreensão teórica e em pesquisas prévias.

Os fatores de confusão não observados, variáveis que influenciam tanto o tratamento quanto o desfecho, mas não estão incluídos no conjunto de dados, representam um desafio significativo no PSM, pois esses fatores de confusão podem influenciar o efeito estimado do tratamento.A análise de sensibilidade pode ajudar a avaliar o quão robustos são os achados para potenciais confundimentos não medidos.

O Paradoxo PSM

Pesquisas recentes identificaram preocupações importantes sobre a implementação do PSM. Pesquisas recentes revelaram uma faceta diferente do PSM, denominada "paradoxo do PSM", onde, à medida que o PSM se aproxima da correspondência exata, por meio da poda progressiva de conjuntos pareados, de modo a diminuir a distância do escore de propensão, pode paradoxalmente levar a um maior desequilíbrio covariável, dependência aumentada do modelo e viés aumentado, ao contrário de seu propósito pretendido.

Este paradoxo destaca a importância de selecionar cuidadosamente algoritmos de correspondência e larguras de paquímetro. Correspondência excessivamente restritiva que descarta muitas observações pode realmente piorar o equilíbrio e aumentar o viés. Os pesquisadores devem examinar cuidadosamente o diagnóstico de equilíbrio e considerar métodos alternativos de pontuação de propensão se o patch produzir resultados ruins.

Requisitos de tamanho da amostra e perda de dados

O PSM frequentemente requer tamanho amostral substancial para ser eficaz. Quando não se utiliza o pareamento com substituição, os participantes não pareados são excluídos da análise, resultando potencialmente em perda significativa de dados. Os indivíduos não pareados são descartados da análise. Essa perda de dados reduz o poder estatístico e pode limitar a generalização dos achados se amostras pareadas diferem sistematicamente da população original.

Na realização do pareamento do escore de propensão, existe frequentemente um grupo de pacientes tratados que não têm contrapartida observada entre a população não tratada, devido aos valores extremamente elevados do escore de propensão (comumente denominado de "caudas" não-superpostas da distribuição do escore de propensão).

Suposições necessárias para inferência válida

A independência condicional, também conhecida como "forte atribuição de tratamento não adequado", afirma que os resultados e o tratamento recebido são independentes após contabilização de covariáveis, sendo que essa suposição geralmente é preenchida em ECR, uma vez que a atribuição aleatória deve equilibrar todas as covariáveis entre as condições de tratamento. Em estudos observacionais, essa suposição deve ser justificada por meio de cuidadosa consideração de potenciais confundidores e mensuração minuciosa de variáveis relevantes.

A suposição comum de apoio ou sobreposição requer que haja sobreposição suficiente nas distribuições do escore de propensão entre os grupos tratados e controle. Sem sobreposição adequada, as comparações se tornam extrapolações e não comparações diretas, comprometendo a validade das inferências causais.

Problemas de dependência do modelo e especificação

A validade dos resultados do PSM depende da especificação correta do modelo de pontuação de propensão. A especificação incorreta, como omitir interações importantes ou termos não lineares, pode levar a um equilíbrio inadequado e estimativas de efeito de tratamento tendenciosos. Os pesquisadores devem considerar cuidadosamente formas funcionais e especificações de modelo de teste para garantir o equilíbrio adequado é alcançado.

Melhores práticas e recomendações

Para maximizar o valor do PSM na pesquisa psicológica, os pesquisadores devem seguir as melhores práticas estabelecidas ao longo do processo de pesquisa.

Coleta de dados abrangente

Certifique-se de que você coleta dados abrangentes e de alta qualidade em todas as covariáveis relevantes que possam influenciar tanto a atribuição de tratamento quanto o resultado, pois dados ausentes ou imprecisos podem levar a escores de propensão enviesados e a correspondências não confiáveis. Investir tempo na identificação e medição de potenciais confundidores antes de iniciar a análise. Considere usar instrumentos validados e múltiplas fontes de dados para capturar covariáveis importantes de forma abrangente.

Seleção Variável Dirigida por Teoria

Base covariável seleção sobre compreensão teórica e pesquisa prévia em vez de critérios puramente empíricos. Inclua variáveis que são conhecidas ou suspeitas de influenciar tanto a seleção e os resultados do tratamento. Evite incluir variáveis instrumentais (variáveis que afetam o tratamento, mas não desfechos) ou colididores (variáveis afetadas por ambos os tratamentos e resultados), como estes podem introduzir viés.

Avaliação do equilíbrio completa

Sempre avaliar e relatar equilíbrio covariável antes e após a correspondência. Use diferenças médias padronizadas para avaliar equilíbrio em todas as covariáveis. Se os desequilíbrios substanciais permanecerem após a correspondência, considere refinar o modelo de pontuação de propensão, tentar diferentes algoritmos de correspondência, ou usar métodos alternativos de pontuação de propensão.

Análises de Sensibilidade

Os pesquisadores devem explorar e relatar a sensibilidade dos resultados às mudanças no desenho epidemiológico e nas especificações dos modelos estatísticos, sendo os resultados robustos a essas mudanças mais fortemente apoiados na possibilidade de que as estimativas estejam de fato refletindo relações causais verdadeiras. Realizar análises de sensibilidade para avaliar como os resultados podem mudar sob diferentes pressupostos sobre confusão não medida, diferentes algoritmos de correspondência ou especificações de modelo diferentes.

Relatórios Transparentes

As etapas críticas do PSM estão selecionando para os fatores de confusão corretos, criando escores de propensão, pareamento e avaliando para grupos adequadamente equilibrados, com a conclusão dessas etapas permitindo atribuir os resultados ao tratamento e não a variáveis de confusão. Relate todos os aspectos do processo PSM claramente, incluindo a razão de seleção das variáveis, especificação do modelo de escore de propensão, algoritmo e parâmetros de correspondência, resultados de avaliação do equilíbrio e tamanhos de amostra em cada estágio.

Ferramentas de Software e Implementação

Vários pacotes de software estatístico fornecem ferramentas para implementar PSM, tornando a técnica acessível aos pesquisadores com diferentes níveis de conhecimento estatístico.

R Linguagem de Programação

R oferece correspondência de pontuação de propensão como parte dos pacotes MatchIt, optmatch ou outros. Em R, os pacotes Matching, Matchlt e Optmatch permitem que alguém implemente uma variedade de diferentes métodos de correspondência. Estes pacotes fornecem implementações flexíveis de vários algoritmos de correspondência, ferramentas de avaliação de equilíbrio e capacidades de visualização.

SAS

O procedimento PSMatch e as observações macro OneToManyMTCH combinam com base em uma pontuação de propensão no SAS. O SAS fornece documentação abrangente e exemplos para implementar o PSM em vários contextos de pesquisa.

Stata

Vários comandos implementam a correspondência de pontuação de propensão no Stata, incluindo o psmatch escrito pelo usuário2, com o Stata versão 13 e, posteriormente, também oferecendo o built-in comando teffects psmatch. A implementação do Stata inclui ferramentas para vários métodos de correspondência, avaliação de equilíbrio e estimativa de efeitos de tratamento.

SPSS

Uma caixa de diálogo para correspondência de pontuação de Propensity está disponível no menu IBM SPSS Statistics (Data/Propensity Score Matching), e permite ao usuário definir a tolerância de correspondência e randomizar casos. Para pesquisadores mais confortáveis com interfaces de ponto e clique, o SPSS fornece um ponto de entrada acessível para os métodos PSM.

Orientações futuras e desenvolvimentos emergentes

O campo dos métodos de pontuação de propensão continua evoluindo, com desenvolvimentos metodológicos contínuos abordando limitações e ampliando aplicações.

Abordagens de aprendizagem de máquina

Os pesquisadores estão explorando cada vez mais métodos de aprendizado de máquina para estimar escores de propensão, incluindo florestas aleatórias, redes neurais e métodos de ensemble.Essas abordagens podem capturar melhor relações complexas e não lineares entre covariáveis e atribuição de tratamento, potencialmente melhorando o equilíbrio e reduzindo o viés.

Pontuações de Propensão de Alta Dimensão

Métodos de pontuação de alta propensão usam algoritmos automatizados para identificar covariáveis relevantes de grandes conjuntos de potenciais confundidores, particularmente úteis quando trabalham com registros eletrônicos de saúde ou bases de dados administrativas contendo centenas ou milhares de variáveis. Esses métodos mostram promessa para melhorar o controle de confundidores em contextos de big data.

Integração com outros métodos de inferência causal

Pesquisadores estão desenvolvendo abordagens híbridas que combinam métodos de pontuação de propensão com outras técnicas de inferência causal, como variáveis instrumentais, desenhos de descontinuidade de regressão ou métodos de diferença em diferenças, que podem fornecer estimativas causais mais robustas, alavancando múltiplas fontes de identificação.

Ferramentas de Análise de Sensibilidade Melhoradas

Novos métodos de avaliação da sensibilidade à confusão não mensurada estão sendo desenvolvidos, proporcionando aos pesquisadores melhores ferramentas para avaliar a robustez de seus achados, que ajudam a quantificar o quão forte seria a confusão não medida para derrubar as conclusões do estudo, proporcionando um contexto importante para interpretação dos resultados.

Exemplo prático: Avaliando uma Intervenção de Atenção à Mente

Para ilustrar a implementação do PSM, considere um estudo hipotético avaliando a eficácia de um programa de redução de estresse baseado em atenção plena (MBSR) para reduzir os sintomas de ansiedade. Pesquisadores têm acesso a dados de um centro comunitário de saúde mental onde alguns clientes participaram do MBSR enquanto outros receberam tratamento como de costume.

Passo 1: Seleção Variável - Com base em teoria e pesquisas anteriores, pesquisadores identificam covariáveis relevantes: gravidade da ansiedade basal, idade, sexo, escolaridade, situação de emprego, tratamento prévio em saúde mental, depressão comórbida, apoio social e motivação para o tratamento.

Passo 2: Estimação do Escore de Propensão - Estima-se um modelo de regressão logística com participação do MBSR como desfecho e todas as covariáveis como preditores. Probabilidades preditas desse modelo tornam-se escores de propensão.

Passo 3: Matching - Pesquisadores usam 1:1 correspondência mais próxima do vizinho com um paquímetro de 0,2 desvios padrão da pontuação de propensão do logit. Cada participante do MBSR é correspondente a um participante como usual de tratamento com a pontuação de propensão mais semelhante dentro do paquímetro.

[[ FLT: 0]] Passo 4: Avaliação do Equilíbrio [[ FLT: 1]] - As diferenças médias normalizadas são calculadas para todas as covariáveis antes e depois de corresponder. Antes de corresponder, várias covariáveis mostram desequilíbrio substancial (SMD & gt; 0.2). Depois de corresponder, todas as covariáveis conseguem um bom equilíbrio (SMD < 0. 1).

Passo 5: Análise de Resultados - Utilizando a amostra pareada, pesquisadores comparam as alterações dos sintomas de ansiedade entre os grupos utilizando testes t pareados e regressão linear, encontrando que os participantes da RME apresentam redução significativamente maior da ansiedade do que os controles pareados.

Análise de sensibilidade - Pesquisadores realizam análises de sensibilidade examinando como os resultados mudam com diferentes algoritmos de correspondência e avaliam o quão forte confusão não medida precisaria ser para eliminar o efeito observado.

Comparando PSM com Métodos Alternativos

Entender como o PSM se compara a outras abordagens para controlar a confusão ajuda os pesquisadores a selecionar o método mais adequado para o seu contexto de pesquisa.

PSM versus Regressão Tradicional

Os métodos de PS oferecem diversas vantagens sobre modelos de desfecho multivariáveis, permitindo primeiramente ao pesquisador identificar pacientes que nunca são tratados ou não tratados, sem que esses pacientes forneçam informações sobre os efeitos do tratamento sem que se faça suposições de modelo. O PSM torna explícita a região de apoio comum, enquanto a regressão pode extrapolar para além dos dados. No entanto, a regressão pode ser mais eficiente quando o tamanho das amostras é limitado e a sobreposição é boa.

PSM versus Variáveis Instrumentais

Métodos de variáveis instrumentais podem abordar confusão não medida se existir um instrumento válido – variável que afeta o tratamento, mas não os desfechos, exceto através do tratamento. Entretanto, instrumentos válidos são raros em pesquisas psicológicas. O PSM é mais amplamente aplicável, mas requer a mensuração de todos os fatores de confusão importantes.

PSM versus Diferenças nas Diferenças

Métodos de diferenças de diferenças comparam mudanças ao longo do tempo entre os grupos tratados e controle, controlando a confusão tempo-invariante, que pode abordar algumas confundições não medidas, mas requer dados longitudinais e pressupostos de tendências paralelas.

Considerações éticas no uso de PSM

Embora o PSM seja uma técnica estatística, seu uso suscita importantes considerações éticas que os pesquisadores devem abordar.

Transparência e honestidade

Os pesquisadores têm uma obrigação ética de relatar métodos e resultados PSM honestamente e completamente. Isso inclui reconhecer limitações, relatar diagnósticos de equilíbrio e discutir potenciais confundições não medidas.Relatar seletivamente ou p-hacking através de correspondência repetida com diferentes especificações prejudica a integridade científica.

Alegações adequadas

Mesmo com a implementação cuidadosa do PSM, estudos observacionais não podem estabelecer definitivamente o nexo causal. Os pesquisadores devem fazer alegações devidamente cautelosas, reconhecendo que a confusão não medida pode permanecer e que os achados devem ser replicados.

Consideração dos Participantes Excluídos

Quando a correspondência exclui os participantes, os pesquisadores devem considerar se isso afeta a generalização e as implicações de equidade dos achados. Se certos subgrupos forem sistematicamente excluídos, os resultados podem não se aplicar a essas populações, potencialmente agravando as disparidades de saúde.

Conclusão

Para os psicólogos que realizam pesquisas observacionais, a adequação do escore de propensão representa um valioso acréscimo ao kit de ferramentas metodológicas. Ao abordar sistematicamente a confusão por meio de uma combinação cuidadosa dos participantes com base em sua probabilidade de tratamento, pesquisadores podem fortalecer inferências causais e extrair insights mais confiáveis de dados não experimentais.

O maior uso desses métodos em pesquisas psicológicas e comportamentais aplicadas é incentivado. À medida que a pesquisa psicológica alavanca cada vez mais grandes conjuntos de dados observacionais – desde registros eletrônicos de saúde até dados de mídias sociais até registros administrativos – a importância de métodos rigorosos para controlar a confusão só crescerá. O PSM fornece uma abordagem transparente e intuitiva que pode ajudar os pesquisadores a navegar pelos desafios da pesquisa observacional, mantendo o rigor científico.

Entretanto, o PSM não é uma panaceia, não pode superar limitações fundamentais de dados observacionais, particularmente a incapacidade de controle para confusão não medida. Os pesquisadores devem aplicar o PSM com cuidado, com atenção à seleção de variáveis, avaliação de equilíbrio e análise de sensibilidade.Quando utilizado adequadamente e relatado de forma transparente, o PSM pode melhorar substancialmente a qualidade e credibilidade da pesquisa psicológica observacional.

O desenvolvimento contínuo de métodos de pontuação de propensão, incluindo abordagens de aprendizado de máquina e ferramentas de análise de sensibilidade aprimoradas, promete aumentar ainda mais a capacidade dos pesquisadores em extrair inferências causais válidas a partir de dados observacionais. À medida que esses métodos evoluem, pesquisadores psicológicos devem permanecer informados sobre avanços metodológicos e melhores práticas, garantindo que a pesquisa observacional contribua significativamente para nossa compreensão do comportamento humano e dos processos mentais.

Em última análise, o valor do PSM está não apenas em suas propriedades estatísticas, mas na sua capacidade de tornar o processo de pesquisa mais transparente e os pressupostos subjacentes às reivindicações causais mais explícitos.Ao separar claramente a fase de desenho da fase de análise e tornar central a avaliação do equilíbrio ao processo de pesquisa, o PSM incentiva a pensar mais cuidadosamente sobre confusão e comunicação mais honesta sobre os pontos fortes e limitações da pesquisa observacional.

Recursos adicionais

Para os pesquisadores interessados em aprender mais sobre a correspondência de pontuação de propensão e implementando-a em sua própria pesquisa, inúmeros recursos estão disponíveis. O Instituto Nacional de Saúde fornece tutoriais e exemplos abrangentes. Organizações profissionais como Associação Americana de Psicologia oferecem oficinas e educação continuada sobre métodos estatísticos avançados, incluindo PSM. Documentação de software estatístico de R[, Stata[], e SAS[[] fornece guias detalhados de implementação e exemplos específicos para cada plataforma.

Ao investir tempo na compreensão dos métodos de pontuação de propensão e aplicá-los rigorosamente, pesquisadores psicológicos podem melhorar a qualidade e o impacto de sua pesquisa observacional, contribuindo para uma base de evidências mais robusta para a compreensão do comportamento humano e melhoria das intervenções psicológicas.