Herramientas de investigación › Propensity Score

Propensity Score (PSM / IPTW)

A mainstream method for controlling confounding in observational research: estimate the propensity score by logistic regression, then use 1:1 caliper matching (PSM) or inverse-probability-of-treatment weighting (IPTW) to balance the covariate distribution between treated and control groups. It gives covariate balance (standardised mean difference, SMD) before/after matching/weighting and a Love plot, with an optional outcome effect. Computed locally in your browser; data are not uploaded.

① Datos

Paste data with a header: first row = column names, then one record per row (Tab/comma-separated). The treatment and outcome columns are coded 0/1; covariates are numeric (dummy-code categorical variables first).

Cómo usarla y metodología

¿Cómo elegir entre PSM e IPTW?

El PSM (emparejamiento) es intuitivo y fácil de presentar como muestra emparejada, pero descarta sujetos no emparejables, cambia la población diana y reduce el efectivo; el IPTW (ponderación) conserva a todos y estima el ATE, pero es sensible a pesos extremos (cuando el score de propensión está cerca de 0 o 1). A menudo se usan juntos para corroborarse.

¿Por qué el SMD es mejor que el valor P para juzgar el equilibrio?

El valor P de las diferencias de covariables entre grupos depende del tamaño muestral (incluso diferencias minúsculas son significativas con n grandes); el SMD no depende de n y caracteriza directamente la magnitud estandarizada de la diferencia. <0,1 suele considerarse bien equilibrado: métrica recomendada para emparejamiento/ponderación.

¿Cómo elegir las covariables del modelo de score de propensión?

Incluya los factores de confusión ligados al criterio (incluidas las variables pretratamiento ligadas al criterio); no incluya variables intermedias posteriores al tratamiento, ni las ligadas solo al tratamiento y no al criterio. La selección debe basarse en el conocimiento del dominio y un diagrama causal.

¿Puede el score de propensión eliminar toda la confusión?

No. Solo puede equilibrar las covariables medidas e incluidas en el modelo, e es impotente frente a la confusión no medida — diferencia fundamental con la aleatorización. Las conclusiones deben incluir un análisis de sensibilidad (p. ej. E-value) para mostrar la robustez a la confusión no medida.