SASによる傾向スコアマッチング
Propensity score matching using SAS
○魚住 龍史
1
* 矢田 真城
2
山本 倫生
3
川口 淳
4
1
京都大学大学院医学研究科 医学統計生物情報学
2
エイツーヘルスケア株式会社
3
岡山大学
4
佐賀大学
Ryuji Uozumi
1
*, Shinjo Yada
2
,
Michio Yamamoto
3
, and Atsushi Kawaguchi
4
1
Kyoto University
2
A2 Healthcare Corporation
3
Okayama University
4
Saga University
観察研究データに対するマッチング
対照群
治療群
1 : 1 マッチング
観察研究におけるマッチング
対照群
治療群
SASユーザーによる傾向スコアマッチング
傾向スコア・・・
SAS・・・
PROC LOGISTIC・・・
本発表のトピック
•
傾向スコアによる最近傍マッチング
•
JMP / R によるマッチング
傾向スコア (バランススコア)
➢
: 被験者 i の群を表す変数
(
：治療群，
：対照群)
➢
: 被験者 i の共変量ベクトル
Rosenbaum and Rubin (1983) Biometrika
i
Z
iX
傾向スコアモデル
)
|
1
Pr(
i
i
i
Z
X
e
proc logistic
data
=<入力データセット名>;
class
Gender;
model
z(
event
=
'1'
)= Gender Age Bmi;
output out
=<出力データセット名>
pred
=ps;
run
;
例：X
iを性別 (Gender)，年齢 (Age)，BMI (Bmi) とする場合
1
i傾向スコアによる最近傍マッチング
対照群
治療群
i
e
j
e
|
|
e
i
e
j
|
)
logit(
)
(
logit
|
e
i
e
j
キャリパー (caliper)
対照群
試験群
i
e
j
e
|
|
e
i
e
j
)]
(
SD[logit
Caliper
|
)
logit(
)
(
logit
|
e
i
e
j
e
Rosenbaum and Rubin (1985) Am Stat
20
.
0
25
.
0
Caliper
最近傍マッチングを用いた
臨床研究の論文における記載例
Bangalore et al. (2015) N Engl J Med; 田栗 (2017) Coronary Intervention
Matching was performed with the use of a 1:1
matching protocol without replacement
(greedy-matching algorithm), with a caliper
width equal to 0.2 of the standard deviation of
the logit of the propensity score.
• マッチング後，調整した変数の群間の分布を確認
• バイアスが生じたままである場合はキャリパーの値を再考
JMP (11.0以上) による最近傍マッチング
• アドイン入手URL :
JMPにおけるキャリパーの指定
2
]
0
|
)
logit(
[
Var
]
1
|
)
logit(
[
Var
Caliper
|
)
logit(
)
(
logit
|
Z
e
Z
e
e
e
i j)]
(
SD[logit
Caliper
|
)
logit(
)
(
logit
|
e
i
e
j
e
Rosenbaum and Rubin (1985) Am Stat
20
.
0
25
.
0
Caliper
最近傍マッチングの事例
R を用いた最近傍マッチングの事例
Yamashita et al. (2017). Current status and outcomes of direct
oral anticoagulant use in patients with atrial fibrillation in the
real-world: The Fushimi AF Registry. Circ J.
JMP を用いた最近傍マッチングの事例
Hamatani et al. (2015). Low body weight is associated with the
incidence of stroke in atrial fibrillation patients: Insight from the
Fushimi AF Registry. Circ J.
Hida et al. (2017). Open versus laparoscopic surgery for
advanced low rectal cancer: a large multicenter propensity score
matched cohort study in Japan. Ann Surg.
R による最近傍マッチング
### パッケージを使用 ###
library(Matching)
### 傾向スコアの推定結果が含まれたCSVファイルをデータセットとして読み込み ###
data = read.csv("psout00.csv")
### 傾向スコアモデルの分子(治療群のカテゴリ)を指定 ###
Trt = data$Drug == "Drug_X"
### キャリパーの値を指定 ###
caliper = 0.20
### 傾向スコアのロジット変換 ###
data <- transform(data, ps.logit=log(ps / (1 - ps)))
### 乱数のシード ###
set.seed(123456)
### 1:1最近傍マッチングを非復元抽出で実行 ###
Matching =
Match
(Y=NULL, Tr=Trt, X=data$ps.logit, M=1, replace=FALSE, caliper = caliper);
summary(Matching)
SASによる傾向スコアマッチング
SAS でマッチングを
やりたい・・・
DATAステップで傾向スコアマッチングを行うため
のSASマクロの報告 (Coca-Perraillon, 2007;
Lanehart et al., 2012)
SASマクロで処理するならRと同じだし，
SAS/STATのプロシジャでマッチングができない
ものだろうか・・・
12.1
9.3
2012/08
2011/07
12.3
13.1
13.2
2013/07
2013/12
2014/08
SAS 9.3
SAS 9.4
SAS/STAT
14.1
2015/07
14.2
2016/11
PSMATCHプロシジャ
PSMATCHプロシジャの主なステートメントの役割
共変量
の指定
傾向スコア
の算出
マッチング
条件・方法の指定
マッチング後の
データセット出力
共変量の
バランスを確認
PSMODEL
MATCH
OUTPUT
ASSESS
proc psmatch
data=<入力データセット名>;
class
Z <共変量におけるカテゴリカル変数>;
psmodel
Z(treated=
‘1’
)=<共変量>;
match
<マッチング条件・方法の指定>;
assess
<共変量などのバランスの評価>;
output
out(obs=match)=<出力データセット名>;
run
;
観察研究のデータセット
:
Drugs (n = 486)
•
本発表で用いる変数
•
治療
(Drug = ‘Drug_X’ 「治療群」, ‘Drug_A’ 「対照群」)
•
年齢 (Age)
•
性別
(Gender = ‘Male’, ‘Female’)
proc psmatch
data=drugs region=allobs;
class
Drug Gender;
psmodel
Drug(treated=
'1'
)
= Gender Age Bmi;
output
out(obs=all)=psout00
ps=ps attwgt=attw atewgt=atew;
run
;
PSMODEL: 傾向スコアモデル
Gender Age
Bmi
Drug
Patient
ID
PS
ATEW
ATTW
Male
29 22.02 Drug_X
284 0.36444
2.744
1
Male
45 26.68 Drug_A
201 0.22296 1.2869 0.28694
Male
42 21.84 Drug_A
147 0.11323 1.1277 0.12768
データセットPSOUT00 (最初の3オブザベーション)
21
proc psmatch
data=Drugs region=allobs;
class
Drug Gender;
psmodel
Drug(treated=
'Drug_X'
) = <共変量>;
match
method=greedy(k=
1
order=descending)
stat=lps caliper(mult=stddev)=
0.20
;
output
out(obs=match)=psmatch00
ps=ps lps=lps
matchwgt=match matchid=matchsort;
run
;
MATCH: 傾向スコアマッチング実行
1 : 1 最近傍マッチング
)]
logit(
[
SD
Caliper
|
)
logit(
)
(
logit
|
e
i
e
j
e
22
MATCHステートメントで指定可能なマッチング方法
Replacement
Optimal
Fixed Ratio Matching
Variable Ratio Matching
Full Matching Greedy Nearest Neighbor Matching METHOD = REPLACE METHOD = GREEDY METHOD = VARRATIO METHOD = OPTIMAL METHOD = FULL No Replacement Matching Yes Yes No Fixed Ratio Variable Ratio Yes No No Yes
23
proc psmatch
data=Drugs region=allobs;
class
Drug Gender;
psmodel
Drug(treated=
'Drug_X'
) = <共変量>
match
<マッチング条件・方法の指定>;
output
out(obs=match)=psmatch00 ps=ps lps=lps
matchwgt=match matchid=matchsort;
run
;
proc sort
data
=psmatch00
out
=pssort00;
by descending
ps;
run
;
OUTPUT: マッチング後のデータセット
データセットPSSORT00 (最初の5オブザベーション)
Gender Age
Bmi
Drug
PatientID
PS
match matchsort
Male
27 25.87 Drug_X
87 0.64115
1
1
Male
27 25.76 Drug_A
123 0.63513
1
1
Female
30 27.75 Drug_A
200 0.61831
1
2
Male
33 28.06 Drug_X
349 0.60481
1
2
Male
27 25.14 Drug_X
114 0.60047
1
3
ods graphics on
;
proc psmatch
data=drugs region=allobs;
class
Drug Gender;
psmodel
Drug(treated=
‘Drug_X'
) = <共変量>;
match
method=greedy(k=
1
order=descending)
stat=lps caliper(mult=stddev)=
0.20
;
assess
lps var=(Gender Age Bmi)
/ weight=none varinfo plots=(all);
run
;
ASSESS: 変数の群間差の評価
25
マッチング前後の変数情報
Variable Information
Variable
Obs
Treated (Drug = Drug_X)
Control (Drug = Drug_A)
N
Mean
Std Dev
N
Mean
Std Dev
LPS
All
113
-0.880615
0.681761
373
-1.520586
0.844486
Region
113
-0.880615
0.681761
373
-1.520586
0.844486
Matched
113
-0.880615
0.681761
113
-0.889200
0.674687
Age
All
113
36.309735
5.534114
373
40.404826
6.579103
Region
113
36.309735
5.534114
373
40.404826
6.579103
Matched
113
36.309735
5.534114
113
35.884956
5.468664
Bmi
All
113
24.492566
1.863797
373
23.753271
1.980778
Region
113
24.492566
1.863797
373
23.753271
1.980778
Matched
113
24.492566
1.863797
113
24.309027
1.882123
Gender
All
113
0.433628
0.495575
373
0.458445
0.498270
Region
113
0.433628
0.495575
373
0.458445
0.498270
Matched
113
0.433628
0.495575
113
0.495575
0.499980
治療群
対照群
マッチング前
113名
373名
マッチング後
113名
113名
各変数に対する標準化した群間差
Standardized Variable Differences (Treated - Control)
Variable
Standardized Mean Difference
Mean Difference
Divisor
Mean Difference
All Obs
Region
Obs
Matched
Obs
All Obs
Region
Obs
Matched
Obs
LPS
0.639971
0.639971
0.008584 0.767448
0.833894
0.833894
0.011185
Age
-4.095091
-4.095091
0.424779 6.079104
-0.673634
-0.673634
0.069875
Bmi
0.739296
0.739296
0.18354 1.923178
0.384414
0.384414
0.095436
Gender
-0.024817
-0.024817 -0.061947 0.496925
-0.049941
-0.049941
-0.124661
0.673634
=
079104
.
6
095091
.
4
Divisor
Difference
Mean
Difference
Mean
ed
Standardiz
年齢：
27
マッチング前後の変数情報
Variable Information
Variable
Obs
Treated (Drug = Drug_X)
Control (Drug = Drug_A)
N
Mean
Std Dev
N
Mean
Std Dev
LPS
All
113
-0.880615
0.681761
373
-1.520586
0.844486
Region
113
-0.880615
0.681761
373
-1.520586
0.844486
Matched
113
-0.880615
0.681761
113
-0.889200
0.674687
Age
All
113
36.309735
5.534114
373
40.404826
6.579103
Region
113
36.309735
5.534114
373
40.404826
6.579103
Matched
113
36.309735
5.534114
113
35.884956
5.468664
Bmi
All
113
24.492566
1.863797
373
23.753271
1.980778
Region
113
24.492566
1.863797
373
23.753271
1.980778
Matched
113
24.492566
1.863797
113
24.309027
1.882123
Gender
All
113
0.433628
0.495575
373
0.458445
0.498270
Region
113
0.433628
0.495575
373
0.458445
0.498270
Matched
113
0.433628
0.495575
113
0.495575
0.499980
6.079104
=
2
)
6.579103
+
(5.534114
2 2
年齢のマッチング前の
プールした標準偏差
各変数に対する標準化した群間差
Standardized Variable Differences (Treated - Control)
Variable
Standardized Mean Difference
Mean Difference
Divisor
Mean Difference
All Obs
Region
Obs
Matched
Obs
All Obs
Region
Obs
Matched
Obs
LPS
0.639971
0.639971
0.008584 0.767448
0.833894
0.833894
0.011185
Age
-4.095091
-4.095091
0.424779 6.079104
-0.673634
-0.673634
0.069875
Bmi
0.739296
0.739296
0.18354 1.923178
0.384414
0.384414
0.095436
Gender
-0.024817
-0.024817 -0.061947 0.496925
-0.049941
-0.049941
-0.124661
0.673634
=
079104
.
6
095091
.
4
Divisor
Difference
Mean
Difference
Mean
ed
Standardiz
年齢：
29
各変数に対する標準化した群間差
31
SASユーザー総会における
傾向スコアを用いた論文報告
2010
古川・杉本
2011
2017
古川
本発表
Propensity Score法によるバイアスの
調整法に関する実務的な問題点
観察研究において選択bias を制御す
るために用いられる Propensity
Score IPTW と層化調整法の、頑健
性の観点からの使い分けについて
PSMATCHプロシジャ登場!!
最近傍マッチングについて
SASプログラムの詳細は
論文集を参照
12.1
9.3
2012/08
2011/07
12.3
13.1
13.2
2013/07
2013/12
2014/08
SAS 9.3
SAS 9.4
SAS/STAT
14.1
2015/07
14.2
2016/11
PSMATCHプロシジャ
CAUSALTRTプロシジャ
35
References
1. Austin PC, Grootendorst P, Anderson GM. A comparison of the ability of different propensity score models to balance measured variables between treated and untreated subjects: a Monte Carlo study.
Statistics in Medicine. 26:734–753, 2007.
2. Austin PC. Optimal caliper widths for propensity-score matching when estimating differences in means and differences in proportions in observational studies. Pharmaceutical Statistics. 10:150– 161, 2011.
3. Bangalore S, Guo Y, Samadashvili Z, Blecker S, Xu J, Hannan EL. Everolimus-eluting stents or bypass surgery for multivessel coronary disease. New England Journal of Medicine. 372:1213–1222, 2015.
4. Coca-Perraillon M. Local and global optimal propensity score matching. Proceedings of the SAS
Global Forum. SAS Institute Inc., Cary, NC, 2007.
5. Faries D, Leon AC, Haro JM, Obenchain RL. Analysis of Observational Health Care Data Using
SAS(R). SAS Institute Inc., Cary, NC, 2010.
6. Hida K, Okamura R, Sakai Y, Konishi T, Akagi T, Yamaguchi T, Akiyoshi T, Fukuda M, Yamamoto S, Yamamoto M, Nishigori T, Kawada K, Hasegawa S, Morita S, Watanabe M. Open versus
laparoscopic surgery for advanced low rectal cancer: a large multicenter propensity score matched cohort study in Japan. Annals of Surgery, 2017.
7. Hamatani Y, Ogawa H, Uozumi R, Iguchi M, Yamashita Y, Esato M, Chun YH, Tsuji H, Wada H, Hasegawa K, Abe M, Morita S, Akao M. Low body weight is associated with the incidence of stroke in atrial fibrillation patients: Insight from the Fushimi AF Registry. Circulation Journal. 79:1009– 1017, 2015.
8. JMPジャパン事業部. JMPによる傾向スコアを用いたマッチング、層別分析、回帰分析. SAS Institute Japan株式会社, 2014.
References (Cont’d)
9. Lanehart RE, de Gil PR, Kim ES, Bellara AP, Kromrey JD, Lee RS. Propensity score analysis and assessment of propensity score approaches using SAS(R) procedures. Proceedings of the SAS Global
Forum. SAS Institute Inc., Cary, NC, 2012.
10. Normand ST, Landrum MB, Guadagnoli E, Ayanian JZ, Ryan TJ, Cleary PD, McNeil BJ. Validating recommendations for coronary angiography following acute myocardial infarction in the elderly: a matched analysis using propensity scores. Journal of Clinical Epidemiology. 54:387–398, 2001. 11. Rosenbaum PR, Rubin DB. The central role of the propensity score in observational studies for
causal effects. Biometrika. 70:41–55, 1983.
12. Rosenbaum PR, Rubin DB. Constructing a control group using multivariate matched sampling methods that incorporate the propensity score. The American Statistician. 39:33–38, 1985. 13. SAS Institute Inc. SAS/STAT(R) 14.2 User’s Guide. SAS Institute Inc., Cary, NC, 2016.
14. Yamashita Y, Uozumi R, Hamatani Y, Esato M, Chun YH, Tsuji H, Wada H, Hasegawa K, Ogawa H, Abe M, Morita S, Akao M. Current status and outcomes of direct oral anticoagulant use in patients with atrial fibrillation in the real-world: The Fushimi AF Registry. Circulation Journal, 2017
DOI:10.1253/circj.CJ-16-1337.
15. 田栗正隆. 有名論文から統計の基礎を学ぶ：プロペンシティスコア. Coronary Intervention, 13:63– 69, 2017.
16. 古川敏仁・杉本典子. Propensity Score法によるバイアスの調整法に関する実務的な問題点. SAS ユーザー総会 論文集. 101–108, 2010.
17. 古川敏仁. 観察研究において選択bias を制御するために用いられる Propensity Score IPTW と層 化調整法の、頑健性の観点からの使い分けについて. SASユーザー総会 論文集. 409–416, 2011. 18. 山本倫生・森田智視. 傾向スコアによる調整解析. 呼吸. 34:1187–1193, 2015.
