井出草平の研究ノート

psychパッケージを用いた探索的因子分析のパス図[R]

www.rdocumentation.org

データ

library(psych)
library(GPArotation)
data(bfi)
d1 <- bfi[1:25]
res01 <- fa(d1, nfactors = 5, fm = "ml", rotate = "promax", scores=TRUE)
fa.diagram (res01, cut=0.3, simple=FALSE, sort=TRUE, digits=3)

オプション

  • cut: abs(loading)>cutの負荷が表示される
  • simple: 項目ごとの最大荷重のみを表示
  • digits: : 係数の桁数
  • sort: 因子負荷量をソートしてから図を表示する
  • graphviz: 出力にRgraphvizを使うか

過去のpsychパッケージに関するエントリ

https://ides.hatenablog.com/entry/2019/03/19/093726 https://ides.hatenablog.com/entry/2019/04/08/171145 https://ides.hatenablog.com/entry/2019/07/14/160817 https://ides.hatenablog.com/entry/2019/07/31/031654 https://ides.hatenablog.com/entry/2019/08/02/052958

同期交差遅延モデル・測定誤差モデル[Stata]

ides.hatenablog.com

こちらの続き。

jincio.github.io


このモデルには2つの新しい特徴がある。まず、相互効果、つまり、ある時間において変数がお互いに影響し合うことができるということである。

波間の係数に等式制約を加えた。例えば、pid2004からapp2004への影響は、(a)pid2002からapp2002への影響と同じになるように制約をかけた。同様に(b)app2004からpid2004への効果は、app2002からpid2002への効果と同じになるように制約をかけた。

3.1 STATA SEMビルダーで、まず矢印を選択し、制約を追加することで、これらの制約を追加することができる。

. sem (pid2000 -> pid2002, ) (pid2000 -> app2002, ) (app2000 -> pid2002, ) ///
(app2000 -> app2002, ) (pid2002@a -> app2002, ) (pid2002 -> pid2004, ) ///
(pid2002 -> app2004, ) (app2002@b -> pid2002, ) (app2002 -> pid2004, ) ///
(app2002 -> app2004, ) (pid2004@a -> app2004, ) (app2004@b -> pid2004, ), standardized cov( app2000*pid2000) nocapslatent

(1069 observations with missing values excluded)

Endogenous variables
  Observed: pid2002 app2002 pid2004 app2004

Exogenous variables
  Observed: pid2000 app2000

Fitting target model:
Iteration 0:   log likelihood =  -7490.988  
Iteration 1:   log likelihood = -7390.2964  
Iteration 2:   log likelihood = -7385.3207  
Iteration 3:   log likelihood = -7385.2859  
Iteration 4:   log likelihood = -7385.2859  

Structural equation model                                  Number of obs = 738
Estimation method: ml

Log likelihood = -7385.2859

 ( 1)  [pid2002]app2002 - [pid2004]app2004 = 0
 ( 2)  [app2002]pid2002 - [app2004]pid2004 = 0
-------------------------------------------------------------------------------------
                    |                 OIM
       Standardized | Coefficient  std. err.      z    P>|z|     [95% conf. interval]
--------------------+----------------------------------------------------------------
Structural          |
  pid2002           |
            app2002 |   .0597253   .0892213     0.67   0.503    -.1151452    .2345958
            pid2000 |   .7680564   .0420354    18.27   0.000     .6856685    .8504443
            app2000 |   .1188559   .0258264     4.60   0.000     .0682371    .1694747
              _cons |   .0203946   .1418517     0.14   0.886    -.2576296    .2984188
  ------------------+----------------------------------------------------------------
  app2002           |
            pid2002 |   .3984309   .2239883     1.78   0.075     -.040578    .8374399
            pid2000 |   .1090515   .1798212     0.61   0.544    -.2433916    .4614946
            app2000 |   .1042124   .0467443     2.23   0.026     .0125952    .1958296
              _cons |   1.505822   .0853364    17.65   0.000     1.338565    1.673078
  ------------------+----------------------------------------------------------------
  pid2004           |
            pid2002 |    .801487   .0394279    20.33   0.000     .7242096    .8787643
            app2002 |   .0661565   .0509644     1.30   0.194    -.0337319    .1660449
            app2004 |   .0645941   .0962275     0.67   0.502    -.1240084    .2531966
              _cons |   -.084726   .0433142    -1.96   0.050    -.1696203    .0001682
  ------------------+----------------------------------------------------------------
  app2004           |
            pid2002 |   .0686076    .172548     0.40   0.691    -.2695801    .4067954
            app2002 |   .4526101    .034214    13.23   0.000     .3855518    .5196683
            pid2004 |   .3683993   .2055088     1.79   0.073    -.0343905    .7711892
              _cons |   .1497953   .0610446     2.45   0.014     .0301501    .2694405
--------------------+----------------------------------------------------------------
       mean(pid2000)|   1.365443   .0511682    26.69   0.000     1.265155     1.46573
       mean(app2000)|   1.533387   .0542957    28.24   0.000      1.42697    1.639805
--------------------+----------------------------------------------------------------
      var(e.pid2002)|   .2156122   .0211922                       .177832    .2614187
      var(e.app2002)|   .6459226   .0295039                       .590609    .7064167
      var(e.pid2004)|   .2010162   .0199356                       .165506    .2441452
      var(e.app2004)|    .358397    .023088                      .3158856    .4066296
        var(pid2000)|          1          .                             .           .
        var(app2000)|          1          .                             .           .
--------------------+----------------------------------------------------------------
cov(pid2000,app2000)|    .616486   .0228205    27.01   0.000     .5717586    .6612133
-------------------------------------------------------------------------------------
LR test of model vs. saturated: chi2(4) = 133.51                 Prob > chi2 = 0.0000

等値制約をかけたことに表記がある

 ( 1)  [pid2002]app2002 - [pid2004]app2004 = 0
 ( 2)  [app2002]pid2002 - [app2004]pid2004 = 0
. estat gof, sta(all)

----------------------------------------------------------------------------
Fit statistic        |      Value   Description
---------------------+------------------------------------------------------
Likelihood ratio     |
          chi2_ms(4) |    133.511   model vs. saturated
            p > chi2 |      0.000
         chi2_bs(14) |   3458.563   baseline vs. saturated
            p > chi2 |      0.000
---------------------+------------------------------------------------------
Population error     |
               RMSEA |      0.210   Root mean squared error of approximation
 90% CI, lower bound |      0.180
         upper bound |      0.241
              pclose |      0.000   Probability RMSEA <= 0.05
---------------------+------------------------------------------------------
Information criteria |
                 AIC |  14816.572   Akaike's information criterion
                 BIC |  14922.462   Bayesian information criterion
---------------------+------------------------------------------------------
Baseline comparison  |
                 CFI |      0.962   Comparative fit index
                 TLI |      0.868   Tucker–Lewis index
---------------------+------------------------------------------------------
Size of residuals    |
                SRMR |      0.032   Standardized root mean squared residual
                  CD |      0.794   Coefficient of determination
----------------------------------------------------------------------------

4 測定誤差モデル

測定誤差はパネル分析で特に問題となる。SEMフレームワークでは、この問題を簡単に扱うことができる。たとえば、自己回帰モデルを使って、その測定誤差をモデル化することができます。同定されたモデルを持つために、Wiley-Wiley解をモデル化する(測定誤差が等しいと仮定する)。

このモデルでは、誤差の分散を制約条件として使用する。

これについてはFinkel (1995)に詳しい。 Rで分散共分散行列を得ることができる。 まず、行列を得るために必要な変数を関数 var を使って選択する。 dplyrの関数selectと%>%を使って、一行ですべてを行うようにしよう。

library(dplyr)
new%>%dplyr::select(pid2000,pid2002,pid2004)%>%
  var(na.rm=TRUE)
##          pid2000  pid2002  pid2004
## pid2000 4.681774 4.111523 4.301286
## pid2002 4.111523 4.752644 4.474202
## pid2004 4.301286 4.474202 5.428772
4.75-(4.47*4.11)/4.30
## [1] 0.4775116

round(4.75-(4.47*4.11)/4.30,2)
## [1] 0.48

SEMビルダーを使って、各変数の潜在変数を作成し、その誤差分散を0.48に制約する。

. sem (P2002 -> pid2002, ) (P2002 -> P2004, ) (P2004 -> pid2004, ) (P2000 -> pid2000, ) (P2000 -> P2002, ),
latent(P2002 P2004 P2000 ) cov( e.pid2000@0.48 e.pid2002@0.48 e.pid2004@0.48) nocapslatent
(997 observations with missing values excluded)

Endogenous variables
  Measurement: pid2002 pid2004 pid2000
  Latent:      P2002 P2004

Exogenous variables
  Latent: P2000

Fitting target model:
Iteration 0:   log likelihood = -4293.5454  (not concave)
Iteration 1:   log likelihood = -4212.1818  
Iteration 2:   log likelihood = -4160.5424  
Iteration 3:   log likelihood = -4150.2215  
Iteration 4:   log likelihood =  -4145.957  
Iteration 5:   log likelihood = -4145.9269  
Iteration 6:   log likelihood = -4145.9269  

Structural equation model                                  Number of obs = 810
Estimation method: ml

Log likelihood = -4145.9269

 ( 1)  [pid2002]P2002 = 1
 ( 2)  [pid2004]P2004 = 1
 ( 3)  [pid2000]P2000 = 1
 ( 4)  [/]var(e.pid2002) = .48
 ( 5)  [/]var(e.pid2004) = .48
 ( 6)  [/]var(e.pid2000) = .48
-------------------------------------------------------------------------------
              |                 OIM
              | Coefficient  std. err.      z    P>|z|     [95% conf. interval]
--------------+----------------------------------------------------------------
Structural    |
  P2002       |
        P2000 |    .978417    .020013    48.89   0.000     .9391922    1.017642
  ------------+----------------------------------------------------------------
  P2004       |
        P2002 |   1.046779   .0199761    52.40   0.000     1.007627    1.085932
--------------+----------------------------------------------------------------
Measurement   |
  pid2002     |
        P2002 |          1  (constrained)
        _cons |   3.037037   .0765625    39.67   0.000     2.886977    3.187097
  ------------+----------------------------------------------------------------
  pid2004     |
        P2004 |          1  (constrained)
        _cons |   3.012346   .0818163    36.82   0.000     2.851989    3.172703
  ------------+----------------------------------------------------------------
  pid2000     |
        P2000 |          1  (constrained)
        _cons |   2.925926   .0759792    38.51   0.000      2.77701    3.074842
--------------+----------------------------------------------------------------
var(e.pid2002)|        .48  (constrained)
var(e.pid2004)|        .48  (constrained)
var(e.pid2000)|        .48  (constrained)
  var(e.P2002)|   .2512405   .0500669                      .1700057    .3712923
  var(e.P2004)|   .2653503   .0539494                      .1781389     .395258
    var(P2000)|   4.195995    .232352                      3.764436    4.677028
-------------------------------------------------------------------------------
LR test of model vs. saturated: chi2(1) = 0.01             Prob > chi2 = 0.9173

磯村毅、ESS(電子スクリーン症候群)、スマホ依存防止学会、疑似科学

www.news-postseven.com

 ASDは先天的な脳の一部の障害だが、症状の程度は、育った環境の影響を受けるといわれている。つまり、先天的に自閉症スペクトラムを持っている子供は、スクリーンタイムが長いと、その症状が悪化する傾向にあるのだ。さらに、その傾向は、生まれつき自閉症を抱えていない子供にも表れることがある。スマホ依存防止学会代表の磯村毅さんが言う。

「『ESS(電子スクリーン症候群)』といって、スマホタブレットなどの画面からの刺激で子供の脳が変調し、発達障害やうつ、双極性障害などに似た症状が出ることがあります。

 プロのゲーマーになるほどスクリーンの刺激に強い子がいる一方、友達から借りたゲーム機で少し遊ぶだけで、発達障害と間違えられるほど落ち着きがなくなる子や、学校でデジタル黒板が導入されたとたんに頭痛とチックが起こって成績が落ちる子もいる。スクリーンの刺激に強いか弱いかは、一人ひとり異なるのです」(磯村さん・以下同)

スマホ依存防止学会

uruuishishunki.wixsite.com

ESSリセット研究会

uruuishishunki.wixsite.com

磯村毅

uruuishishunki.wixsite.com

代表 磯村毅
医師
もともとは呼吸器科医です。子どもの禁煙支援が専門で、依存症の脳科学に興味を持ち、現在はスマホ依存に取り組んでいます。
NHKのためしてガッテンに出たことが自慢
​「リセット禁煙」「二重洗脳」「親子で読むケータイ依存脱出法」などの著書もあります。日本動機づけ面接学会代表理事

( ´_ゝ`)フーン

事務局所在地

〒182-0001 東京調布市緑ヶ丘2−5−2

mdc-dc.com

副代表・事務局の清水俊貴さんの歯科医院に事務局があるようだ。

スマホ依存防止アドバイザー講座

uruuishishunki.wixsite.com

スマホ依存防止 アドバイザー
地域別 PISA認定アドバイザー数  ( 人 )
北海道/東北 14 (北海道 3, 青森 4, 岩手 0, 宮城 3, 秋田 1, 山形 2, 福島 1 )
関東 31 (茨城 1, 栃木 0. 群馬 0, 埼玉 1, 千葉 5, 東京 16, 神奈川 7 )
中部 67 (新潟 3, 富山 1, 石川 2, 福井 4, 山梨 6, 長野 2, 岐阜 2, 静岡 3, 愛知 44 )
近畿 11 (三重 3. 滋賀 1, 京都 2, 大阪 1, 兵庫 1. 奈良 2, 和歌山 1 )
中国 12 (鳥取 3, 島根 0, 岡山 1, 広島 4, 山口 4 )
四国 2 (徳島 0, 香川 1, 愛媛 0, 高知 1 )
九州/沖縄 56 (福岡 22, 佐賀 0, 長崎 0, 熊本 17, 大分 1, 宮崎 7, 鹿児島 7, 沖縄 2)
​(高校生3名 大学生1名を含む)

資格商売を始めたいようだ。

電子スクリーン症候群 Electronic Screen Syndromeの科学的エビデンス

もちろんゼロである。疑似科学である。

pubmed.ncbi.nlm.nih.gov

ロート製薬も何かを始めている

center6.umin.ac.jp

UMINに登録があった。

主要アウトカム評価項目が電子スクリーンの有無による脳波特徴量検出になっている。 どうやって金儲けにつなげるのか、興味があるところだ。

自己回帰モデルと交差遅延パネルモデル[Stata]

こちらから。

jincio.github.io

データはこちらに上がっているようだ。

github.com


1.自己回帰モデル

3波を自己回帰させる。

use "nes3wave.dta", clear

GUI

最尤法で実行。

CUI

sem (pid2000 -> pid2002, ) (pid2002 -> pid2004, ), nocapslatent

オプション

  • latent(names)...潜在的な変数名を明示的に指定する。

latent(names) は names が潜在変数の名前の完全な集合であることを指定する。 sem と gsem は通常、潜在変数の最初の文字を大文字にし、観測変数の最初の文字を小文字にすると仮定する; [SEM] semsemのパス表記を参照されたい。 semのパス表記を参照。 latent(names) を指定すると、sem と gsem は、リストされた変数を潜在変数として扱い、それ以外の変数は、大文字小文字にかかわらず、観測された変数として扱う。

  • nocapslatent...大文字を潜在的なものとして扱わない。

nocapslatent は、最初の文字が大文字であることは、潜在変数を指定しないことを指定する。 このオプションは、データセット内のいくつかの観測変数が最初の文字を大文字にしている場合に、観測変数のみでモデルをフィットするときに使用することができる。

. sem (pid2000 -> pid2002, ) (pid2002 -> pid2004, ), nocapslatent
(997 observations with missing values excluded)

Endogenous variables
  Observed: pid2002 pid2004

Exogenous variables
  Observed: pid2000

Fitting target model:
Iteration 0:   log likelihood = -4204.8919  
Iteration 1:   log likelihood = -4204.8919  

Structural equation model                                  Number of obs = 810
Estimation method: ml

Log likelihood = -4204.8919

-------------------------------------------------------------------------------
              |                 OIM
              | Coefficient  std. err.      z    P>|z|     [95% conf. interval]
--------------+----------------------------------------------------------------
Structural    |
  pid2002     |
      pid2000 |   .8781976   .0173528    50.61   0.000     .8441868    .9122084
        _cons |   .4674959   .0631342     7.40   0.000     .3437552    .5912366
  ------------+----------------------------------------------------------------
  pid2004     |
      pid2002 |   .9414133   .0177779    52.95   0.000     .9065692    .9762574
        _cons |   .1532385   .0664485     2.31   0.021     .0230019    .2834752
--------------+----------------------------------------------------------------
var(e.pid2002)|   1.140504   .0566721                      1.034667    1.257168
var(e.pid2004)|   1.215196   .0603836                      1.102427    1.339501
-------------------------------------------------------------------------------
LR test of model vs. saturated: chi2(1) = 117.94           Prob > chi2 = 0.0000

SEMモデルには適合度測定が重要である。STATAでモデルを推定した後、estat gof, sta(all)を実行すると、それを得ることができる。

. estat gof, sta(all)

----------------------------------------------------------------------------
Fit statistic        |      Value   Description
---------------------+------------------------------------------------------
Likelihood ratio     |
          chi2_ms(1) |    117.941   model vs. saturated
            p > chi2 |      0.000
          chi2_bs(3) |   2484.410   baseline vs. saturated
            p > chi2 |      0.000
---------------------+------------------------------------------------------
Population error     |
               RMSEA |      0.380   Root mean squared error of approximation
 90% CI, lower bound |      0.324
         upper bound |      0.440
              pclose |      0.000   Probability RMSEA <= 0.05
---------------------+------------------------------------------------------
Information criteria |
                 AIC |   8421.784   Akaike's information criterion
                 BIC |   8449.966   Bayesian information criterion
---------------------+------------------------------------------------------
Baseline comparison  |
                 CFI |      0.953   Comparative fit index
                 TLI |      0.859   Tucker–Lewis index
---------------------+------------------------------------------------------
Size of residuals    |
                SRMR |      0.035   Standardized root mean squared residual
                  CD |      0.760   Coefficient of determination
----------------------------------------------------------------------------

交差遅延モデル Cross-lagged models

GUI

CUI

. sem (pid2000 -> pid2002, ) (pid2000 -> app2002, ) //
 (app2000 -> pid2002, ) (app2000 -> app2002, ),  
 standardized cov( pid2000*app2000) nocapslatent//

(748 observations with missing values excluded)

Endogenous variables
  Observed: pid2002 app2002

Exogenous variables
  Observed: pid2000 app2000

Fitting target model:
Iteration 0:   log likelihood = -7560.2496  
Iteration 1:   log likelihood = -7560.2496  (backed up)

Structural equation model                                Number of obs = 1,059
Estimation method: ml

Log likelihood = -7560.2496

-------------------------------------------------------------------------------------
                    |                 OIM
       Standardized | Coefficient  std. err.      z    P>|z|     [95% conf. interval]
--------------------+----------------------------------------------------------------
Structural          |
  pid2002           |
            pid2000 |   .7729582   .0158919    48.64   0.000     .7418106    .8041057
            app2000 |   .1241617   .0200544     6.19   0.000     .0848557    .1634676
              _cons |   .1624004   .0322593     5.03   0.000     .0991733    .2256274
  ------------------+----------------------------------------------------------------
  app2002           |
            pid2000 |   .4239438   .0308988    13.72   0.000     .3633831    .4845044
            app2000 |   .1370873   .0326491     4.20   0.000     .0730961    .2010784
              _cons |   1.558611    .072866    21.39   0.000     1.415797    1.701426
--------------------+----------------------------------------------------------------
       mean(pid2000)|   1.339711   .0423285    31.65   0.000     1.256749    1.422674
       mean(app2000)|   1.521585   .0451376    33.71   0.000     1.433117    1.610053
--------------------+----------------------------------------------------------------
      var(e.pid2002)|   .2722378   .0142733                       .245652    .3017009
      var(e.app2002)|   .7319102   .0232906                      .6876559    .7790124
        var(pid2000)|          1          .                             .           .
        var(app2000)|          1          .                             .           .
--------------------+----------------------------------------------------------------
cov(pid2000,app2000)|   .5985186   .0197213    30.35   0.000     .5598656    .6371716
-------------------------------------------------------------------------------------
LR test of model vs. saturated: chi2(1) = 90.40                  Prob > chi2 = 0.0000

適合度。

. estat gof, sta(all)

----------------------------------------------------------------------------
Fit statistic        |      Value   Description
---------------------+------------------------------------------------------
Likelihood ratio     |
          chi2_ms(1) |     90.399   model vs. saturated
            p > chi2 |      0.000
          chi2_bs(5) |   1798.754   baseline vs. saturated
            p > chi2 |      0.000
---------------------+------------------------------------------------------
Population error     |
               RMSEA |      0.291   Root mean squared error of approximation
 90% CI, lower bound |      0.242
         upper bound |      0.343
              pclose |      0.000   Probability RMSEA <= 0.05
---------------------+------------------------------------------------------
Information criteria |
                 AIC |  15146.499   Akaike's information criterion
                 BIC |  15211.045   Bayesian information criterion
---------------------+------------------------------------------------------
Baseline comparison  |
                 CFI |      0.950   Comparative fit index
                 TLI |      0.751   Tucker–Lewis index
---------------------+------------------------------------------------------
Size of residuals    |
                SRMR |      0.040   Standardized root mean squared residual
                  CD |      0.753   Coefficient of determination
----------------------------------------------------------------------------

パネルデータ分析における固定効果およびランダム効果[Stata]

Sayed HossainさんのYouTube動画から。

www.youtube.com

データはこちらからダウンロードできる。 https://bityl.co/E3kh


以下の手法でパネルデータを作成する。

  1. プールドOLS回帰モデル
  2. 固定効果モデルまたはLSDVモデル
  3. ランダム効果モデル

データ

ここでは、111, 222, 333, 444, 555, 666の6つのコンピュータ会社を取り上げ、コンピュータの販売台数、コンピュータの価格、コンピュータの修理の3つの変数を持っている。ここでは、売上高と他の2つの説明変数(価格、修理費)の関係を調べる。 データは、2000年から2010年まで。したがって、我々の観測値は66となる。

3つのモデル

  1. pooled regression プールド回帰 ここでは、66の観測値をすべてプールし、データの横断的、時系列的な性質を無視して回帰モデルを実行する。 このモデルの大きな問題点は、様々なコンピュータ会社を区別していないことです。言い換えれば、プールによって6つの会社を組み合わせることで、6つのコンピュータ会社の間に存在するかもしれない異質性や個性を否定していることになる。

  2. 固定効果モデルまたは LSDV モデル 固定効果モデルまたはLSDVモデルLeast Square Dummy Variable (Regress with group dummies) は、独自の切片値を持たせることによって、6つのコンピュータ会社間の異質性または個別性を許容するものである。 固定効果という言葉は、切片はコンピュータ会社間で異なるかもしれないが、切片は時間的に変化しない、つまり時間不変であるという事実に起因するものである。

  3. ランダム効果モデル ここでは、6社は切片の平均値が共通である。 ここで、どのモデル(固定効果またはランダム効果)を受け入れるのが適切かを確認するために、Hausman 検定を適用することにする。

ハウスマン検定 Hausman Test

帰無仮説: ランダム効果モデルが適切 対立仮説: 固定効果モデルが適切である 統計的に有意なP値が得られたら固定効果モデル、そうでなければランダム効果モデルを使う。

診断チェック

最後に、残差に系列相関があるかどうかを確認することにする。ここでは、Pasaran CD (cross-sectional dependence)検定を用いて、残差に主体間の相関があるかどうかを検定することにする。 Null:系列相関がない。 Alt: 系列相関がある。

データのインポート

. import excel "Panel_Data._Model_One._STATA.xlsx", sheet("Sheet1") firstrow

pooled regression

売り上げ Sales を従属変数、 価格 Price と修理 Repairs を独立変数にする。

. regress Sales Price Repairs

      Source |       SS           df       MS      Number of obs   =        66
-------------+----------------------------------   F(2, 63)        =      4.10
       Model |  3.6436e+11         2  1.8218e+11   Prob > F        =    0.0212
    Residual |  2.7986e+12        63  4.4422e+10   R-squared       =    0.1152
-------------+----------------------------------   Adj R-squared   =    0.0871
       Total |  3.1630e+12        65  4.8661e+10   Root MSE        =    2.1e+05

------------------------------------------------------------------------------
       Sales | Coefficient  Std. err.      t    P>|t|     [95% conf. interval]
-------------+----------------------------------------------------------------
       Price |   1050.312    391.932     2.68   0.009     267.0987    1833.526
     Repairs |   8.831223   7.370528     1.20   0.235    -5.897602    23.56005
       _cons |  -212624.6   163259.5    -1.30   0.198    -538872.7    113623.5
------------------------------------------------------------------------------

6社に違いはないという仮定に基づくモデル。 価格 Price のみが有意な変数という結果である。

パネル変数と時間変数を設定する。

パネルは会社、時間は年で設定する。

. xtset CompanyCode YEAR

Panel variable: CompanyCode (strongly balanced)
 Time variable: YEAR, 2000 to 2010
         Delta: 1 unit

固定効果モデル

xtregコマンドにFixed Mdelの頭文字feをつける。

. xtreg Sales Price Repairs, fe

Fixed-effects (within) regression               Number of obs     =         66
Group variable: CompanyCode                     Number of groups  =          6

R-squared:                                      Obs per group:
     Within  = 0.2075                                         min =         11
     Between = 0.0863                                         avg =       11.0
     Overall = 0.0847                                         max =         11

                                                F(2,58)           =       7.59
corr(u_i, Xb) = 0.1577                          Prob > F          =     0.0012

------------------------------------------------------------------------------
       Sales | Coefficient  Std. err.      t    P>|t|     [95% conf. interval]
-------------+----------------------------------------------------------------
       Price |   285.1704   73.27324     3.89   0.000      138.498    431.8427
     Repairs |  -.9394111    5.34654    -0.18   0.861    -11.64167    9.762851
       _cons |   95663.84   34678.16     2.76   0.008     26247.97    165079.7
-------------+----------------------------------------------------------------
     sigma_u |  231289.36
     sigma_e |  21203.939
         rho |  .99166536   (fraction of variance due to u_i)
------------------------------------------------------------------------------
F test that all u_i=0: F(5, 58) = 1233.32                    Prob > F = 0.0000

Prob > F = 0.0012と5%未満であることからモデルのフィットは悪くないことがわかる。

モデルの保存

のちのち比較するためモデルを保存しておく必要がある。Fixedという名前で保存することにする。

estimates store Fixed

ランダム効果モデル

Randam Effect GLSでの推定値。

. xtreg Sales Price Repairs, re

Random-effects GLS regression                   Number of obs     =         66
Group variable: CompanyCode                     Number of groups  =          6

R-squared:                                      Obs per group:
     Within  = 0.2075                                         min =         11
     Between = 0.0860                                         avg =       11.0
     Overall = 0.0844                                         max =         11

                                                Wald chi2(2)      =      15.83
corr(u_i, X) = 0 (assumed)                      Prob > chi2       =     0.0004

------------------------------------------------------------------------------
       Sales | Coefficient  Std. err.      z    P>|z|     [95% conf. interval]
-------------+----------------------------------------------------------------
       Price |   286.5764   72.07584     3.98   0.000     145.3103    427.8424
     Repairs |  -.9714552    5.13579    -0.19   0.850    -11.03742    9.094508
       _cons |   95345.83   119938.4     0.79   0.427    -139729.1    330420.8
-------------+----------------------------------------------------------------
     sigma_u |  285744.06
     sigma_e |  21203.939
         rho |  .99452362   (fraction of variance due to u_i)
------------------------------------------------------------------------------

Prob > F = 0.0004と5%未満であることからモデルのフィットは悪くないことがわかる。

モデルの保存

estimates store Random

ハウスマン検定

固定効果モデルで推定したFixedをハウスマン検定にかける。

. hausman Fixed

                 ---- Coefficients ----
             |      (b)          (B)            (b-B)     sqrt(diag(V_b-V_B))
             |     Fixed        Random       Difference       Std. err.
-------------+----------------------------------------------------------------
       Price |    285.1704     286.5764       -1.405973         13.1925
     Repairs |   -.9394111    -.9714552        .0320441         1.48632
------------------------------------------------------------------------------
                          b = Consistent under H0 and Ha; obtained from xtreg.
           B = Inconsistent under Ha, efficient under H0; obtained from xtreg.

Test of H0: Difference in coefficients not systematic

    chi2(2) = (b-B)'[(V_b-V_B)^(-1)](b-B)
            =   0.01
Prob > chi2 = 0.9942

カイ二乗検定の結果は Prob > chi2 = 0.9942 であり、5%有意ではない。 帰無仮説は棄却しないため、ランダム効果モデルが適切ということなる。

残差の系列相関のチェック

パッケージst0113のインストールが必要のようだ。

net install st0113.pkg

Pasaran CD (cross-sectional dependence)検定を行う。

. xtcsd, pesaran abs
 
Pesaran's test of cross sectional independence =     0.956, Pr = 0.3391
 
Average absolute value of the off-diagonal elements =     0.553

有意確率はPr = 0.3391であり、5%有意ではない。帰無仮説は「系列相関がない」であるため、系列相関を考えなくてもよいことがわかった。

皮膚むしり症 Excoriation Disorderの評価

www.sciencedirect.com

こちらの論文から先行研究の整理。


皮膚むしり症 Excoriation Disorder は、1875年にErasmus Wilsonによって、神経症患者の制御が不可能ではないにしても困難な過剰な皮膚摘出行動を指して、「neurotic excoriation」(Wilson,1875)という名称で記述された(Torales et al.,2020)。この疾患は、強迫性スキンピッキング、病的スキンピッキング心因性排泄、またはdermatillomaniaなどの他の呼称を受けている(Lochner et al.、2017)。EDは、皮膚を繰り返し摘み、皮膚病変や重大な苦痛または機能障害につながるものとして説明される。この障害に罹患した患者は、典型的な病変が現れるまで、これらの行為を強迫的に行わなければならないと感じる(Jafferany & Patel, 2019; Torales et al, 2019)。この障害は、「精神障害の診断と統計マニュアル」(DSM-5)第5版の強迫性障害およびその他の関連障害の章に分類されている(米国精神医学会、2013年)。

皮膚むしり症 Excoriation Disorder:EDの推定有病率は1%~5%と報告されており(Russell et al.、2020)、成人期(30~45歳)に発症のピークを迎える(Rivera & Arenas、2016)。

  • Torales, J., Ruiz Díaz, N., Barrios, I., Navarro, R., García, O., O’Higgins, M., CastaldelliMaia, J. M., Ventriglio, A., & Jafferany, M. (2020). Psychodermatology of skin picking (excoriation disorder): A comprehensive review. Dermatologic Therapy, 33 (4), Article e13661. https://doi.org/10.1111/dth.13661

https://onlinelibrary.wiley.com/doi/10.1111/dth.13661

  • Çalıkus ̧u, C., Yücel, B., Polat, A., & Baykal, C. (2003). The relation of psychogenic excoriation with psychiatric disorders: A comparative study. Comprehensive Psychiatry, 44(3), 256–261. https://doi.org/10.1016/S0010-440X(03)00041-5

www.sciencedirect.com

女性がより影響を受けやすいとされている(Grant et al.、2011)。

www.sciencedirect.com

臨床的には、EDは顕著な異質性と現象的複雑性を示し、重大な感情的・身体的影響を伴う(Odlaug & Grant, 2012)。しかしながら、ED患者にはいくつかの要素が習慣的に観察される(表1)(Stein et al., 2010)。

表1 ED患者に必ず見られる3つの要素
組織損傷、出血、または痛みを引き起こす、再発性のある皮膚の摘出。
皮膚をほじることによって生じる重大な不快感または障害、および。
その行動が他の医学的、精神医学的疾患や物質使用によるものではないこと(例:皮膚科疾患、身体醜形障害、アンフェタミン使用、など各々)。
  • Stein, D. J., Grant, J. E., Franklin, M. E., Keuthen, N., Lochner, C., Singer, H. S., & Woods, D. W. (2010). Trichotillomania (hair pulling disorder), skin picking disorder, and stereotypic movement disorder: Toward DSM-V. Depression and Anxiety, 27(6), 611–626. https://doi.org/10.1002/da.20700

https://onlinelibrary.wiley.com/doi/10.1002/da.20700

EDの評価は、臨床医が実施する評価尺度や自己申告による評価尺度に基づいて行われる(Barrios et al.、2020)。

  • Barrios, I., Jafferany, M., Ruiz Díaz, N., Castaldelli-Maia, J. M., Ventriglio, A., & Torales, J. (2020). Psychometric properties of the Spanish version of the skin picking scale-revised (SPS-R). Journal of Obsessive-Compulsive and Related Disorders, 27, 100586. https://doi.org/10.1016/j.jocrd.2020.100586

www.sciencedirect.com

臨床家評価尺度のうち、神経性皮膚むしり症用に修正したYale-Brown Obsessive-Compulsive ScaleとSkin Picking Treatment Scaleがある(Keuthen et al.2012)。

  • Keuthen, N., Siev, J., & Reese, H. (2012). Assessment of trichotillomania, pathological skin picking, and stereotypic movement disorder. In E. J. Grant, D. Stein, D. Woods, & N. Keuthen (Eds.), Trichotillomania, skin picking and other body-focused repetitive behaviors (pp. 129–150). American Psychiatric Publishing.

Skin Picking Scale(SPS)とSkin Picking Impact Scale(SPIS)は、EDのための自己記入式尺度であり、それぞれ障害の臨床的重症度と心理社会的影響を測定する(Barrios et al.、2020; Snorrason et al.、2012)。

www.sciencedirect.com

自己記入式尺度は、高い心理測定的妥当性が報告されている(Keuthen et al.、2012)。 ED患者を正しく評価することで、オーダーメイドの治療法につながる可能性があることは注目される。2013年,DSM-5の強迫スペクトラム障害サブワーキンググループは,過去1週間に生じたED症状を問う次元評価として,Excoriation(skin-picking disorder)Dimensional Scale(SPD-D)を開発した(LeBeau et al.,2013)。

  • LeBeau, R. T., Mischel, E. R., Simpson, H. B., Mataix-Cols, D., Phillips, K. A., Stein, D. J., & Craske, M. G. (2013). Preliminary assessment of obsessive–compulsive spectrum disorder scales for DSM-5. Journal of Obsessive-Compulsive and Related Disorders, 2(2), 114–118. https://doi.org/10.1016/j.jocrd.2013.01.005

www.sciencedirect.com

Stataにおける処置効果推定 その1[Stata]

blog.stata.com

処置効果推定量とは、観察データに基づき、ある処置が結果に及ぼす因果的な効果を推定するものである。

本日の投稿では、4つの処置効果推定量について説明する。

  • RA: 回帰調整 Regression adjustment
  • IPW: 逆確率重み付け Inverse probability weighting
  • IPWRA: 逆確率重み付けと回帰調整 Inverse probability weighting with regression adjustment
  • AIPW: 拡張逆確率重み付け Augmented inverse probability weighting

マッチング推定量については、後編に譲る。

処置効果推定量には、魔法のように因果関係を抽出するものはないことに注意しなければならない。観察データの回帰分析同様、因果関係の解釈は、合理的な科学的根拠に基づいて行われなければならない。

はじめに

ここでは、処置と結果について説明する。

処置とは新薬のことであり、その結果は血圧やコレステロールの値である。処置とは、外科的処置であり、その結果は患者の患者の可動性である。処置とは、職業訓練プログラムであり、その成果は雇用や賃金であるかもしれない。処置とは、ある製品の売り上げを伸ばすための広告キャンペーンである可能性もある。

母親の喫煙が出産時の赤ちゃんの体重に影響を与えるかどうかを考えてみよう。このような質問には、観察データを用いてのみ答えることができる。実験では倫理的に問題がある。

観察データの問題点は、被験者が治療を受けるかどうかを選択することである。例えば、ある母親がタバコを吸うか吸わないかを決める。被験者は、処置群と非処置群に自己選択したと言われている。

理想的な世界では、因果関係や治療と結果の関係を検証するために実験を計画します。被験者を治療群と非治療群に無作為に割り当てる。治療法を無作為に割り当てることで、治療と結果の独立性が保証され、分析が非常に簡単になる。

因果推論には、各治療水準でのアウトカムの無条件平均の推定が必要である。我々は、データが観察的か実験的かにかかわらず、治療を受けたという条件付きで各被験者の結果を観察するだけである。実験データでは、治療の無作為割付により、治療が結果に独立であることが保証されているので、観察された治療に対する結果の平均が、関心のある無条件平均を推定する。観察データでは、治療の割り当てプロセスをモデル化する。もし我々のモデルが正しければ,治療割り当てプロセスは,我々のモデル中の共変量に条件づけられたランダムと同じとみなされる.

例を考えてみよう。図1は、Cattaneo (2010)が用いたものと同様の観測データの散布図だ。治療変数は、母親の妊娠中の喫煙状況で、結果は、赤ちゃんの出生体重である。

赤い点は妊娠中にタバコを吸った母親、緑の点は吸わなかった母親を表している。喫煙するかどうかは母親自身が選択したことであり、そのことが分析を複雑にしている。

喫煙した母親としなかった母親の赤ちゃんの平均出生時体重を比較することで、喫煙が出生時体重に及ぼす影響を推定することはできない。なぜだろう?もう一度、グラフを見てみてほしい。喫煙の有無にかかわらず、高齢の母親ほど出生児が重い傾向がある。このデータでは、母親の年齢が高いほど喫煙者である可能性も高い。このように、母親の年齢は治療状況と結果の両方に関係している。では、どうすればいいのだろうか?

RA: 回帰調整推定量 The regression adjustment estimator

回帰調整推定量(RA)は、非ランダムな治療割り付けを考慮するために結果をモデル化する。

私たちは、"喫煙する母親が喫煙しないことを選択していたら、結果はどのように変化しただろうか?" または "喫煙しない母親が喫煙することを選択していたら、結果はどのように変化しただろうか? "と尋ねるかもしれない。もし、これらの反実仮想的な質問に対する答えがわかれば、分析は簡単だ。反実仮想的な結果から観測結果を差し引くだけでいい。

反実仮想的な結果は、治療効果に関する文献では、観察されない潜在的な結果 unobserved potential outcomesと呼ばれている。unobservedという単語は省略されることもある。

我々は、これらの未観測の潜在的な結果の測定値を構築することができ、データは次のようになる。

図2では、観測されたデータを実線で、観測されなかった潜在的な結果を空洞の点で示している。赤い点は、喫煙者がタバコを吸わなかったらどうなるかを示している。緑の点は、非喫煙者が喫煙していた場合の潜在的な結果を示している。

そして、観察されたデータ(実線)を使って、2つの治療群に別々の線形回帰モデルをあてはめることで、観察されない潜在的な結果を推定することができる。

図3では、非喫煙者の回帰線(緑の線)と喫煙者の回帰線(赤の線)を示している。

この2本の線が何を意味しているのかを理解しよう。

図4の左側の緑色の点、Observedと書かれているのは、タバコを吸わない母親の観測値だ。緑の回帰線上のE(y0)と書かれた点は、母親の年齢とタバコを吸わなかったと仮定した場合の赤ちゃんの予想出生体重である。赤の回帰線上のE(y1)という点は、同じ母親が喫煙していた場合の赤ちゃんの出生体重の期待値である。

これらの期待値の差が、治療を受けなかった人たちの共変量特異的治療効果を推定する。

さて、もう一つの反実仮想の問題を見てみよう。

図4の右側の赤い点、Observedと書かれているのは、妊娠中にタバコを吸った母親の観測値です。緑と赤の回帰線上の点は、2つの治療条件下での母親の赤ちゃんの予想出生体重(潜在的な結果)を再び表す。

これらの期待値の差は、治療を受けた人の共変量特異的な治療効果を推定する。

我々は,各被験者について,共変量値に条件付けられた平均治療効果(ATE)を推定することに注意されたい.さらに、この効果は、実際にどの治療を受けたかに関係なく、各被験者について推定する。データ中のすべての被験者に対するこれらの効果の平均が、ATEを推定する。

我々は、図4を使って、受けた治療に関係なく、各被験者が各治療水準で得るであろう結果の予測を動機づけることもできる。この話は、上記の話と類似している。データ中のすべての被験者に対するこれらの予測の平均は、各治療水準に対する潜在的な結果の平均(POMs)を推定する。

推定されたPOMsの差が、上述のATEと同じ推定値であることは、心強いことである。

治療された人のATE(ATET)は、ATEと似ているが、治療群で観測された被験者だけを使用するものである。この治療効果の計算方法は、回帰調整(RA)と呼ばれている。

データセットを開いて、Stataを使って試してみよう。

. webuse cattaneo2.dta, clear
. teffects ra (bweight mage) (mbsmoke), pomeans

我々は、最初の括弧の中に、結果変数とその共変量で結果モデルを指定する。この例では、結果変数は bweight で、唯一の共変量は mage です。

コマンド

  • ra: Regression adjustment
  • pomeans: estimate potential-outcome means

変数

  • bweight: Infant birthweight (grams)
  • mage: Mother's age
  • mbsmoke: 1 if mother smoked

我々は、2番目の括弧の中で、治療モデル(単に治療変数)を指定する。この例では、治療変数 mbsmoke だけを指定する。共変量については、次のセクションで説明する。

このコマンドを入力した結果は以下のとおり。

Iteration 0:   EE criterion =  7.878e-24
Iteration 1:   EE criterion =  8.468e-26

Treatment-effects estimation                    Number of obs      =      4642
Estimator      : regression adjustment
Outcome model  : linear
Treatment model: none
------------------------------------------------------------------------------
             |               Robust
     bweight |      Coef.   Std. Err.      z    P>|z|     [95% Conf. Interval]
-------------+----------------------------------------------------------------
POmeans      |
     mbsmoke |
  nonsmoker  |   3409.435   9.294101   366.84   0.000     3391.219    3427.651
     smoker  |   3132.374   20.61936   151.91   0.000     3091.961    3172.787
------------------------------------------------------------------------------

出力は、すべての母親が喫煙した場合の平均出生体重は3,132g、母親が喫煙しなかった場合の平均出生体重は3,409gとなることを報告する。

POMを差し引くことで、出生体重に対する喫煙のATEを推定することができる。3132.374 - 3409.435 = -277.061. また、teffects raコマンドにateオプションを付けて再実行すれば、標準誤差と信頼区間を得ることができる。

ate: estimate average treatment effect in population; the default

. teffects ra (bweight mage) (mbsmoke), ate

Iteration 0:   EE criterion =  7.878e-24  
Iteration 1:   EE criterion =  5.185e-26  

Treatment-effects estimation                    Number of obs     =      4,642
Estimator      : regression adjustment
Outcome model  : linear
Treatment model: none
----------------------------------------------------------------------------------------
                       |               Robust
               bweight | Coefficient  std. err.      z    P>|z|     [95% conf. interval]
-----------------------+----------------------------------------------------------------
ATE                    |
               mbsmoke |
(Smoker vs Nonsmoker)  |  -277.0611   22.62844   -12.24   0.000    -321.4121   -232.7102
-----------------------+----------------------------------------------------------------
POmean                 |
               mbsmoke |
            Nonsmoker  |   3409.435   9.294101   366.84   0.000     3391.219    3427.651
----------------------------------------------------------------------------------------

出力は、我々が手作業で計算したのと同じ、-277.061のATEを報告している。ATEは、各母親が喫煙した場合の出生時体重と、喫煙しない場合の出生時体重の差の平均値である。

ATETはteffects raコマンドでatetオプションをつけて推定することもできるが、ここでは省略する。

atet: estimate average treatment effect on the treated

IPW: 逆確率重み付け Inverse probability weighting

RA 推定法は、非ランダムな治療割り付けを説明するために結果をモデル化する。研究者の中には、処置の割り当てプロセスをモデル化し、結果のモデルを指定しないことを好む人もいます。

私たちのデータでは、喫煙者は非喫煙者よりも高齢である傾向があることが分かっている。また、母親の年齢が出生体重に直接影響するという仮説もある。このことは、図1で観察さ れたが、以下にもう一度示す。

この図から、処理割り当てが母親の年齢に依存していることがわかる。この依存性を調整する方法が欲しいところである。特に、高年齢の緑色と低年齢の赤色のポイントがもっとあればいいと思われる。そうすれば、各群の平均出生時体重は変化するはずだ。それが平均値の差にどのように影響するかはわからないが、差の推定値がより良くなることはわかる。

同様の結果を得るために、低年齢層の喫煙者と高年齢層の非喫煙者のウェイトを高くし、高年齢層の喫煙者と低年齢層の非喫煙者のウェイトを低くするつもりである。

我々は、次のような形式のプロビットまたはロジット・モデルを当てはめる。

Pr(woman smokes) = F(a + b*age)

teffectsは、デフォルトでlogitを使用しますが、ここでは、説明のためにprobitオプションを指定する。

そのモデルを適合させると、データ中の各オブザベーションの予測値 Pr(woman smokes) を得ることができる。これを pi と呼ぶことにする。そして、我々のPOM計算(これは単なる平均計算である)を行う際に、我々は観察結果を重みづけするために、これらの確率を使用する。喫煙者である確率が小さいときに重みが大きくなるように、喫煙者のオブザベーションを1/piで重みづけする。非喫煙者である確率が小さいときに重みが大きくなるように、非喫煙者のオブザベーションを1/(1-pi) で重みづけする。

その結果、図1に代わって次のようなグラフになる。

図5では、大きな円は大きな重みを示している。

このIPW定量を用いてPOMを推定するには、以下のように入力する。

. teffects ipw (bweight) (mbsmoke mage, probit), pomeans

最初の括弧の組は、結果モデルを指定する。これは、この場合、単に結果変数であり、共変量はない。2番目の括弧の組は、処置モデルで、結果変数(mbsmoke)、共変量(この場合、mageだけ)、モデルの種類(probit)が続くものを指定する。

. teffects ipw (bweight) (mbsmoke mage, probit), pomeans

Iteration 0:   EE criterion =  1.007e-21  
Iteration 1:   EE criterion =  1.413e-26  

Treatment-effects estimation                    Number of obs     =      4,642
Estimator      : inverse-probability weights
Outcome model  : weighted mean
Treatment model: probit
------------------------------------------------------------------------------
             |               Robust
     bweight | Coefficient  std. err.      z    P>|z|     [95% conf. interval]
-------------+----------------------------------------------------------------
POmeans      |
     mbsmoke |
  Nonsmoker  |   3408.979   9.307838   366.25   0.000     3390.736    3427.222
     Smoker  |   3133.479   20.66762   151.61   0.000     3092.971    3173.986
------------------------------------------------------------------------------

出力結果は、全ての母親が喫煙した場合の平均出生体重は3,133g、母親が誰も喫煙しなかった場合の平均出生体重は3,409gとなることが報告された。

このとき、ATEは-275.5であり、仮に下記のように記した場合、

. teffects ipw (bweight) (mbsmoke mage, probit), ate

Iteration 0:   EE criterion =  2.280e-25  
Iteration 1:   EE criterion =  1.413e-26  

Treatment-effects estimation                    Number of obs     =      4,642
Estimator      : inverse-probability weights
Outcome model  : weighted mean
Treatment model: probit
----------------------------------------------------------------------------------------
                       |               Robust
               bweight | Coefficient  std. err.      z    P>|z|     [95% conf. interval]
-----------------------+----------------------------------------------------------------
ATE                    |
               mbsmoke |
(Smoker vs Nonsmoker)  |  -275.5007   22.67711   -12.15   0.000     -319.947   -231.0544
-----------------------+----------------------------------------------------------------
POmean                 |
               mbsmoke |
            Nonsmoker  |   3408.979   9.307838   366.25   0.000     3390.736    3427.222
----------------------------------------------------------------------------------------

標準誤差は22.68、95%信頼区間は [-319.9,231.0] であることを知ることができる。

teffects raと同様に、ATETを求める場合は、teffects ipwコマンドにatetオプションを付けて指定すればいい。

IPWRA: 逆確率重み付けと回帰調整 Inverse probability weighting with regression adjustment

RA推定量は、非ランダムな治療割り付けを考慮した結果をモデル化する。IPW 推定法は、非ランダムな処理割り当てを考慮するために、処理をモデル化するものである。IPWRA推定量では、非ランダムな治療割り付けを考慮するために、結果と処置の両方をモデル化します。

IPWRAは、IPW重みを使用して、その後回帰調整を行うために使用される修正回帰係数を推定する。

結果モデルと処置モデルの共変量は同じである必要はなく、被験者の処置グループの選択に影響する変数が結果に関連する変数と異なることが多いので、そうでないことがよくある。IPWRA推定量にはダブルロバスト特性があり、これは治療モデルまたは結果モデルのどちらか一方(両方ではない)が誤って規定されても、効果の推定値が一致することを意味する。

低出生体重児のデータを使って、より複雑なアウトカムと治療モデルを考えてみよう。

アウトカムモデルには、

  • 1.mage: 母親の年齢
  • 2.prenatal1: 最初の妊娠期間中の出産前訪問を表す指標
  • 3.mmarried: 母親の婚姻状況を表す指標
  • 4.fbaby:第一子であることを表す指標

処置モデルには

  • 1.結果モデルのすべての共変量
  • 2.mage2
  • 3.medu: 母親の教育年数

また、結果モデルと処置モデルの係数を報告するために、aequationsオプションを指定する。

aequations: display auxiliary-equation results

 . teffects ipwra (bweight mage prenatal1 mmarried fbaby)                ///
>                  (mbsmoke mmarried c.mage##c.mage fbaby medu, probit)   ///
>                  , pomeans aequations

Iteration 0:   EE criterion =  9.372e-21  
Iteration 1:   EE criterion =  5.435e-26  

Treatment-effects estimation                    Number of obs     =      4,642
Estimator      : IPW regression adjustment
Outcome model  : linear
Treatment model: probit
-------------------------------------------------------------------------------
              |               Robust
      bweight | Coefficient  std. err.      z    P>|z|     [95% conf. interval]
--------------+----------------------------------------------------------------
POmeans       |
      mbsmoke |
   Nonsmoker  |   3403.336    9.57126   355.58   0.000     3384.576    3422.095
      Smoker  |   3173.369   24.86997   127.60   0.000     3124.624    3222.113
--------------+----------------------------------------------------------------
OME0          |
         mage |   2.893051   2.134788     1.36   0.175    -1.291056    7.077158
    prenatal1 |   67.98549   28.78428     2.36   0.018     11.56933    124.4017
     mmarried |   155.5893   26.46903     5.88   0.000      103.711    207.4677
        fbaby |   -71.9215   20.39317    -3.53   0.000    -111.8914   -31.95162
        _cons |   3194.808   55.04911    58.04   0.000     3086.913    3302.702
--------------+----------------------------------------------------------------
OME1          |
         mage |  -5.068833   5.954425    -0.85   0.395    -16.73929    6.601626
    prenatal1 |   34.76923   43.18534     0.81   0.421    -49.87248    119.4109
     mmarried |   124.0941   40.29775     3.08   0.002     45.11193    203.0762
        fbaby |   39.89692   56.82072     0.70   0.483    -71.46966    151.2635
        _cons |   3175.551   153.8312    20.64   0.000     2874.047    3477.054
--------------+----------------------------------------------------------------
TME1          |
     mmarried |  -.6484821   .0554173   -11.70   0.000     -.757098   -.5398663
         mage |   .1744327   .0363718     4.80   0.000     .1031452    .2457202
              |
c.mage#c.mage |  -.0032559   .0006678    -4.88   0.000    -.0045647   -.0019471
              |
        fbaby |  -.2175962   .0495604    -4.39   0.000    -.3147328   -.1204595
         medu |  -.0863631   .0100148    -8.62   0.000    -.1059917   -.0667345
        _cons |  -1.558255   .4639691    -3.36   0.001    -2.467618   -.6488926
-------------------------------------------------------------------------------

出力のPOmeansセクションは、2つの処理グループのPOMを表示します。ATEは、3173.369 - 3403.336 = -229.967と計算され。

OME0セクションとOME1セクションは、それぞれ未処理群と処理群のRA係数を表示する。

出力のTME1 セクションは、probit 処置モデルの係数を表示する。

前の2つのケースと同様に、もし、標準誤差などを含むATEが欲しければ、ateオプションを指定する。ATETが欲しい場合は、atetオプションを指定する。

AIPW: 拡張逆確率重み付け Augmented inverse probability weighting

IPWRA推定量では、非ランダムな治療割り付けを考慮し、結果と治療の両方をモデル化する。AIPW推定量も同様である。

AIPW推定量は、IPW定量にバイアス補正項を追加する。治療モデルが正しく規定されていれば、バイアス補正項は0であり、モデルはIPW定量に縮小される。もし治療モデルが誤って規定されていても、結果モデルが正しく規定されていれば、バイアス補正項が推定量を修正する。このように、バイアス補正項はAIPW推定量にIPWRA推定量と同じダブルロバスト特性を与える。

AIPW推定量の構文と出力は、IPWRA推定量とほぼ同じである。

 teffects aipw (bweight mage prenatal1 mmarried fbaby)                 ///
>               (mbsmoke mmarried c.mage##c.mage fbaby medu, probit)    ///
>               , pomeans aequations

Iteration 0:   EE criterion =  4.632e-21  
Iteration 1:   EE criterion =  5.391e-26  

Treatment-effects estimation                    Number of obs     =      4,642
Estimator      : augmented IPW
Outcome model  : linear by ML
Treatment model: probit
-------------------------------------------------------------------------------
              |               Robust
      bweight | Coefficient  std. err.      z    P>|z|     [95% conf. interval]
--------------+----------------------------------------------------------------
POmeans       |
      mbsmoke |
   Nonsmoker  |   3403.355   9.568472   355.68   0.000     3384.601    3422.109
      Smoker  |   3172.366   24.42456   129.88   0.000     3124.495    3220.237
--------------+----------------------------------------------------------------
OME0          |
         mage |   2.546828   2.084324     1.22   0.222    -1.538373    6.632028
    prenatal1 |   64.40859   27.52699     2.34   0.019     10.45669    118.3605
     mmarried |   160.9513    26.6162     6.05   0.000     108.7845    213.1181
        fbaby |   -71.3286   19.64701    -3.63   0.000     -109.836   -32.82117
        _cons |   3202.746   54.01082    59.30   0.000     3096.886    3308.605
--------------+----------------------------------------------------------------
OME1          |
         mage |  -7.370881    4.21817    -1.75   0.081    -15.63834    .8965804
    prenatal1 |   25.11133   40.37541     0.62   0.534    -54.02302    104.2457
     mmarried |   133.6617   40.86443     3.27   0.001      53.5689    213.7545
        fbaby |   41.43991   39.70712     1.04   0.297    -36.38461    119.2644
        _cons |   3227.169   104.4059    30.91   0.000     3022.537    3431.801
--------------+----------------------------------------------------------------
TME1          |
     mmarried |  -.6484821   .0554173   -11.70   0.000     -.757098   -.5398663
         mage |   .1744327   .0363718     4.80   0.000     .1031452    .2457202
              |
c.mage#c.mage |  -.0032559   .0006678    -4.88   0.000    -.0045647   -.0019471
              |
        fbaby |  -.2175962   .0495604    -4.39   0.000    -.3147328   -.1204595
         medu |  -.0863631   .0100148    -8.62   0.000    -.1059917   -.0667345
        _cons |  -1.558255   .4639691    -3.36   0.001    -2.467618   -.6488926
-------------------------------------------------------------------------------

ATEは3172.366 - 3403.355 = -230.989となる。

最終的な考察

上記の例では、出生体重という連続的なアウトカムを使用した。teffectsは、二値、計数、非負の連続的なアウトカムでも使用することができる。

また、推定量では、複数の治療カテゴリーが可能である。

Stata 13のtreatment-effects機能については、マニュアル全体が費やされており、基本的な紹介、高度な議論、そして実例が含まれている。さらに詳しく知りたい方は、Stataのウェブサイトから[TE] Treatment-effects Reference Manualをダウンロードすることができる。 http://www.stata.com/manuals13/te/

参考文献

Cattaneo, M. D. 2010. Cattaneo, M. D. 2010: Efficient semiparametric estimation of multi-valued treatment effects under ignorability. Journal of Econometrics 155: 138-154.