Điểm propensity (propensity score) được tính toán bằng mô hình nào?

Thường được ước lượng bằng mô hình hồi quy logistic nhị phân (hoặc probit), với biến phụ thuộc là tình trạng nhận can thiệp và các biến độc lập là các yếu tố nhiễu nền.

Bốn kỹ thuật ứng dụng điểm propensity phổ biến nhất là gì?

Gồm ghép cặp (Matching), phân tầng (Stratification/Subclassification), nghịch đảo xác suất trọng số (IPTW) và hồi quy điều chỉnh với biến số điểm propensity.

Giả định 'khả năng bỏ qua có điều kiện' (ignorability) có ý nghĩa gì?

Giả định rằng sau khi đã kiểm soát toàn bộ các biến số nhiễu quan sát được thông qua điểm propensity, việc phân bổ can thiệp được xem như ngẫu nhiên giống như thử nghiệm lâm sàng.

Phân tích điểm propensity là gì? Các nghiên cứu khoa học

Phân tích điểm propensity (Propensity score analysis / Propensity score matching) là phương pháp thống kê trong nghiên cứu quan sát dùng để cân bằng phân bố của các biến gây nhiễu giữa nhóm can thiệp và nhóm đối chứng bằng cách ước tính xác suất có điều kiện nhận can thiệp.

Điểm propensity (propensity score) là xác suất mà một đơn vị (ví dụ: cá nhân, tổ chức) được gán vào nhóm điều trị, có điều kiện dựa trên các biến quan sát được. Khái niệm này được đề xuất lần đầu tiên bởi Rosenbaum và Rubin (1983) như một công cụ để xử lý thiên lệch lựa chọn trong các nghiên cứu quan sát.

Điểm propensity giúp so sánh các nhóm điều trị và nhóm đối chứng có đặc điểm nền tương đồng, từ đó hỗ trợ ước lượng tác động nhân quả.

Vai trò của điểm propensity trong nghiên cứu quan sát

Trong nghiên cứu thực nghiệm, việc gán ngẫu nhiên loại bỏ được thiên lệch lựa chọn. Tuy nhiên, trong nghiên cứu quan sát – nơi gán điều trị không ngẫu nhiên – điểm propensity đóng vai trò như một cơ chế giả ngẫu nhiên hóa.

Việc sử dụng điểm propensity giúp tạo ra một nhóm đối chứng tương tự về đặc điểm với nhóm điều trị, từ đó giảm sai lệch trong ước lượng hiệu ứng điều trị trung bình (ATE).

Cách ước lượng điểm propensity

Điểm propensity thường được ước lượng thông qua mô hình hồi quy logistic hoặc probit, trong đó biến phụ thuộc là biến chỉ định điều trị, còn biến độc lập là các biến nền (covariates).

$e(X) = P(T = 1 \mid X)$

Trong đó $T$ là biến điều trị (0 hoặc 1) và $X$ là tập hợp các biến quan sát.

Các công cụ phổ biến để ước lượng điểm propensity bao gồm:

R (gói MatchIt, pscl)
Python statsmodels hoặc scikit-learn

Điều kiện cân bằng điểm propensity

Khi các đơn vị có cùng điểm propensity, phân phối các biến nền giữa nhóm điều trị và đối chứng sẽ giống nhau. Điều này được gọi là tính đồng phân phối có điều kiện (conditional independence).

$(Y_0, Y_1) \perp T \mid e(X)$

Giả định này là nền tảng cho việc sử dụng điểm propensity như một công cụ suy luận nhân quả, giúp giảm độ lệch do không ngẫu nhiên hóa.

Các phương pháp sử dụng điểm propensity

Matching: Ghép cặp các đơn vị điều trị và đối chứng có điểm propensity gần nhau.
Stratification: Phân chia mẫu thành các tầng (strata) theo điểm propensity.
Inverse Probability Weighting (IPW): Gán trọng số dựa trên xác suất được điều trị.
Covariate Adjustment: Sử dụng điểm propensity làm biến điều chỉnh trong hồi quy.

Đánh giá hiệu quả của điểm propensity

Hiệu quả của điểm propensity được đánh giá thông qua khả năng cân bằng các biến nền giữa hai nhóm. Các phương pháp thường dùng:

So sánh trung bình các biến nền giữa nhóm điều trị và đối chứng sau khi ghép.
Sử dụng standardized mean differences (SMD).
Kiểm tra cân bằng bằng các biểu đồ như Love plots.

Ưu điểm và hạn chế

Ưu điểm: Giảm thiên lệch lựa chọn trong nghiên cứu quan sát; cho phép kiểm soát đồng thời nhiều biến nền; dễ triển khai với công cụ thống kê hiện đại.

Hạn chế: Không kiểm soát được các biến không quan sát được; phụ thuộc vào mô hình ước lượng; dễ bị ảnh hưởng bởi các giá trị cực đoan của điểm propensity.

So sánh với phương pháp khác

So với hồi quy đa biến truyền thống, điểm propensity giúp tách riêng bước điều chỉnh biến nền và bước ước lượng hiệu ứng điều trị, từ đó minh bạch hơn trong phân tích.

Khác với thiết kế thực nghiệm, phương pháp này không tạo ra phân bổ ngẫu nhiên mà chỉ giả định điều kiện cân bằng dựa trên biến quan sát.

Ứng dụng trong các lĩnh vực

Điểm propensity được ứng dụng rộng rãi trong y học, kinh tế học, giáo dục, và khoa học xã hội – đặc biệt trong các tình huống không thể hoặc không nên tiến hành thử nghiệm ngẫu nhiên có kiểm soát (RCT).

Ví dụ: Đánh giá hiệu quả của một chương trình đào tạo nghề, hoặc tác động của một chính sách y tế đến tỷ lệ nhập viện.

Các giả định cốt lõi và phương pháp luận của phân tích điểm propensity

Để các suy luận nhân quả từ điểm propensity có hiệu lực thống kê, mô hình phải thỏa mãn hai giả định nền tảng do Rosenbaum và Rubin (1983) đề xuất: (1) Giả định không có nhiễu chưa quan sát (Unconfoundedness hoặc Conditional Independence Assumption), nghĩa là sau khi đã kiểm soát các biến đồng biến quan sát được, phân bổ can thiệp hoàn toàn độc lập với các kết quả tiềm năng $Y_0$ và $Y_1$ ; (2) Giả định hỗ trợ chung hay tính dương (Common Support hoặc Positivity), đảm bảo rằng mọi đối tượng trong mẫu đều có xác suất nhận can thiệp lớn hơn 0 và nhỏ hơn 1. Ngoài ra, giả định giá trị can thiệp ổn định (SUTVA) đòi hỏi việc một cá thể nhận can thiệp không làm ảnh hưởng đến kết quả của cá thể khác.

Các kỹ thuật phân tích dựa trên điểm propensity

Sau khi ước lượng điểm propensity bằng mô hình hồi quy logistic hoặc các thuật toán máy học hiện đại (như Generalized Boosted Models), nhà nghiên cứu có thể áp dụng bốn chiến lược can thiệp chính:

1. Ghép cặp theo điểm propensity (Propensity Score Matching - PSM): Kỹ thuật ghép cặp phổ biến nhất là ghép cặp láng giềng gần nhất (Nearest Neighbor) kết hợp bán kính calip thỏa mãn khoảng cách $|e(X_i) - e(X_j)| \le \epsilon$ nhằm loại trừ các cặp ghép kém tương đồng. Tỷ lệ ghép cặp có thể là 1:1 hoặc 1:k có hoặc không hoàn lại.

2. Nghịch đảo xác suất trọng số điều trị (Inverse Probability of Treatment Weighting - IPTW): Mỗi cá thể được gán một trọng số bằng nghịch đảo của xác suất nhận can thiệp thực tế của họ, từ đó kiến tạo nên một quần thể giả định (pseudo-population) với trọng số chuẩn hóa w = rac{T}{e(X)} + rac{1 - T}{1 - e(X)} cân bằng hoàn hảo giữa hai nhóm mà không làm suy giảm cỡ mẫu nghiên cứu.

3. Phân tầng theo điểm propensity (Stratification / Subclassification): Chia toàn bộ tập dữ liệu thành năm phân vị (quintiles) dựa trên điểm propensity. Theo lý thuyết của Cochran, việc phân chia thành 5 phân vị có thể loại bỏ tới hơn 90% thiên lệch lựa chọn do các biến đồng biến đo lường được gây ra.

4. Hồi quy điều chỉnh kết hợp (Doubly Robust Estimation) ước lượng hiệu ứng can thiệp trung bình $ATE = E[Y_1 - Y_0]$ qua công thức $\hat{\Delta}_{DR}$ : Kết hợp mô hình điểm propensity và mô hình hồi quy kết quả. Ước lượng kép có tính vững cao vì nó vẫn cho kết quả không chệch nếu ít nhất một trong hai mô hình (mô hình can thiệp hoặc mô hình kết quả) được chỉ định đúng.

Chẩn đoán cân bằng và phân tích độ nhạy

Trước khi so sánh kết quả điều trị, bước bắt buộc trong quy trình phân tích là kiểm định sự cân bằng của các biến đồng biến giữa hai nhóm sau khi can thiệp điểm propensity. Thước đo tiêu chuẩn là chênh lệch trung bình chuẩn hóa (Standardized Mean Difference - SMD): |ar{X}_T - ar{X}_C| / s. Một mô hình được coi là đạt chất lượng cân bằng tốt khi chỉ số SMD của mọi biến nền đều nằm dưới ngưỡng 0,1 (hoặc 10%).

Cuối cùng, phân tích độ nhạy Rosenbaum (Rosenbaum sensitivity analysis) được tiến hành nhằm kiểm tra độ bền vững của kết luận nghiên cứu trước khả năng tồn tại của các yếu tố gây nhiễu tiềm ẩn chưa được thu thập trong tập dữ liệu.

So sánh điểm propensity với các phương pháp suy luận nhân quả khác

Trong kinh tế lượng và dịch tễ học định lượng, bên cạnh phân tích điểm propensity, các nhà nghiên cứu thường cân nhắc các phương pháp bán thực nghiệm thay thế tùy thuộc vào cấu trúc dữ liệu:

1. Phương pháp biến công cụ (Instrumental Variables - IV): Được ưu tiên áp dụng khi vi phạm giả định không có nhiễu chưa quan sát. Biến công cụ chỉ tương quan với quyết định can thiệp mà không có tác động trực tiếp lên biến kết quả ngoại trừ thông qua can thiệp. Tuy nhiên, việc tìm kiếm một biến công cụ ngoại sinh hoàn hảo và thỏa mãn điều kiện loại trừ là một thách thức thực nghiệm rất lớn trong thực tế.

2. Phương pháp hồi quy gián đoạn (Regression Discontinuity Design - RDD): Khai thác các ngưỡng cắt định lượng ngặt nghèo (ví dụ ngưỡng điểm số nhận học bổng hoặc nồng độ xét nghiệm để chỉ định phác đồ điều trị) để so sánh các đối tượng nằm sát hai phía của ngưỡng cắt. RDD có hiệu lực nội tại cao tương đương thử nghiệm ngẫu nhiên nhưng chỉ cho phép ước tính hiệu ứng can thiệp cục bộ tại lân cận ngưỡng (LATE).

3. Phương pháp sai biệt trong sai biệt (Difference-in-Differences - DID): Đòi hỏi dữ liệu bảng (panel data) trước và sau can thiệp, dựa trên giả định xu hướng song song (parallel trends assumption). Khi kết hợp điểm propensity với DID (phương pháp DID ghép cặp), nhà nghiên cứu có thể kiểm soát hiệu quả đồng thời cả các yếu tố nhiễu quan sát được biến thiên theo thời gian và các yếu tố nhiễu bất biến không quan sát được.