1:N-Matching von Fällen und Kontrollen: Propensity Score ... · 01.03.2011 Andreas Deckert, Institute of Public Health Heidelberg Problemstellung (4) Problemstellung (4) Anforderungen:

1:N-Matching von Fällen und Kontrollen: Propensity

Score vs. PROC SQL

1:N1:N--Matching von FMatching von Fäällen und Kontrollen: llen und Kontrollen: PropensityPropensity

Score vs. PROC SQLScore vs. PROC SQL

Andreas Deckert

Institute of Public Health, Universität Heidelberg

Andreas Deckert

Institute of Public Health, Universität Heidelberg

01.03.2011 Andreas Deckert, Institute of Public Health Heidelberg

ÜbersichtÜbersicht

Matching

Realisierung mit PROC SQL

Realisierung mit Propensity Scores

Problemstellung

Optimierung des Abgleichs mit PROC SQL

Vergleich der Ergebnisse


Was ist Matching?Was ist Matching?


Matching: TheorieMatching: Theorie

In epidemiologischen Fall-Kontroll-Studien ist Strukturgleichheit in Fällen und Kontrollen für verzerrungsfreie Ergebnisse wichtig




Methode zur Herstellung von Strukturgleichheit: Matching





Gruppen-Matching: Häufigkeiten von Personen mit bestimmten Charakteristika sollen in Fall- und Kontrollgruppe gleich groß sein





Gruppen-Matching: Häufigkeiten von Personen mit bestimmten Charakteristika sollen in Fall- und Kontrollgruppe gleich groß sein

Individuelles Matching: Zu jedem Fall wird individuell eine Kontroll- person mit gleich ausgeprägten Matching-Faktoren ausgewählt


1:N-Matching1:N-Matching 1:N-matching: Erhöhen der statistischen Power



Beispiel: Häufigkeit eines Faktors in der Kontrollgruppe 6%, Hypothese: Differenz zur Fallgruppe (n = 300) mindestens 5% (OR=2)


0.60

0.65

0.70

0.75

0.80

0.85

0.90

0.95

1 2 3 4 5 6 7 8 9 10

1 : N

Power




0.60

0.65

0.70

0.75

0.80

0.85

0.90

0.95

1 2 3 4 5 6 7 8 9 10

1 : N

Power



PROC

POWER; TWOSAMPLEFREQTEST

= pchiALPHA

= .05ODDSRATIO

=

2REFPROPORTION

= 0.06GROUPWEIGHTS

= (N 1)NTOTAL

= 300+300*NPOWER

= .; RUN;

PROC


= pchiALPHA

= .05ODDSRATIO

=

2REFPROPORTION

= 0.06GROUPWEIGHTS

= (N 1)NTOTAL

= 300+300*NPOWER

= .; RUN;


0.60

0.65

0.70

0.75

0.80

0.85

0.90

0.95

1 2 3 4 5 6 7 8 9 10

1 : N

Power



PROC


= pchiALPHA

= .05ODDSRATIO

=

2REFPROPORTION

= 0.06GROUPWEIGHTS

= (N 1)NTOTAL

= 300+300*NPOWER

= .; RUN;

PROC


= pchiALPHA

= .05ODDSRATIO

=

2REFPROPORTION

= 0.06GROUPWEIGHTS

= (N 1)NTOTAL

= 300+300*NPOWER

= .; RUN;


0.60

0.65

0.70

0.75

0.80

0.85

0.90

0.95

1 2 3 4 5 6 7 8 9 10

1 : N

Power



PROC


= pchiALPHA

= .05ODDSRATIO

=

2REFPROPORTION

= 0.06GROUPWEIGHTS

= (N 1)NTOTAL

= 300+300*NPOWER

= .; RUN;

PROC


= pchiALPHA

= .05ODDSRATIO

=

2REFPROPORTION

= 0.06GROUPWEIGHTS

= (N 1)NTOTAL

= 300+300*NPOWER

= .; RUN;


Problemstellung (1)Problemstellung (1)

Fall-Kontroll-Studie, 1:2 Matching nach Alter, Geschlecht und Zuzugs- datum (Erweiterung um weitere Variablen möglich)




Fallgruppe n = 300, begrenzter Kontrollpool n = 900





Simulation zweier Szenarien:

- Szenario I: Altersverteilung in Fällen und Kontrollpool gleich, Frauenanteil 50% in Fällen und Kontrollen





Simulation zweier Szenarien:

- Szenario I: Altersverteilung in Fällen und Kontrollpool gleich, Frauenanteil 50% in Fällen und Kontrollen

- Szenario II: Altersverteilung in Fällen und Kontrollpool unterschiedlich, 30% Frauenanteil bei den Fällen, 50% Frauenanteil bei den möglichen Kontrollen



Simulation Szenario I

0

25

50

75

100

125

150

175

200

0-4 5-14 16-24 25-34 35-44 45-54 55-64 65-74 75-84 85+

0

25

50

75

100

125

150

175

200

0-4 5-14 16-24 25-34 35-44 45-54 55-64 65-74 75-84 85+

Fälle

Kontrollpool

Altersklassen

n



Simulation Szenario I

0

25

50

75

100

125

150

175

200

0-4 5-14 16-24 25-34 35-44 45-54 55-64 65-74 75-84 85+

0

25

50

75

100

125

150

175

200

0-4 5-14 16-24 25-34 35-44 45-54 55-64 65-74 75-84 85+

Fälle

Kontrollpool

Altersklassen

nSimulation Szenario II

0

25

50

75

100

125

150

175

200

0-4 5-14 16-24 25-34 35-44 45-54 55-64 65-74 75-84 85+

0

25

50

75

100

125

150

175

200

0-4 5-14 16-24 25-34 35-44 45-54 55-64 65-74 75-84 85+

Fälle

Kontrollpool


Problemstellung (4)Problemstellung (4)Anforderungen:- Jede Kontrolle darf nur einmal verwendet werden- Toleranzbereich (± 3 Jahre) für das Alters- und Zuzugs-Matching



Probleme:- unterschiedliche Alters- und Geschlechtsverteilungen (Szenario II)- Eine Kontrolle kann zu mehreren Fällen passen- Es kann Fälle geben zu denen nur wenige Kontrollen passen



Probleme:- unterschiedliche Alters- und Geschlechtsverteilungen (Szenario II)- Eine Kontrolle kann zu mehreren Fällen passen- Es kann Fälle geben zu denen nur wenige Kontrollen passen

Theoretisch ideale Lösung: - Berechnung aller möglichen 1:N Fall-Kontroll-Kombinationen- Auswahl der Kombination, bei der am meisten Fällen n Kontrollen

zugeordnet werden können.


Lösung mit PROC SQLLösung mit PROC SQL

Kawabata H, et. al. (2004): Using SAS ® to Match Cases for Case Control Studies. SUGI 29, 173-29, Princeton, New Jersey




Grundidee: Abgleich jedes Eintrages der Kontrollgruppe mit jedem Eintrag der Fallgruppe mit PROC SQL entsprechend festgelegter Regeln.




Grundidee: Abgleich jedes Eintrages der Kontrollgruppe mit jedem Eintrag der Fallgruppe mit PROC SQL entsprechend festgelegter Regeln.

1:n-Matching mit Range:- Abgleich mit PROC SQL- Zählen der Kontrollen pro Fall- Zuteilen einer Zufallszahl zu jedem Paar- Sortieren nach Kontrollen- Sortieren nach Anzahl Kontrollen pro Fall (innerhalb gleicher Kontrollen)- Auswählen der ersten Kontrolle- Sortieren nach Fällen- Sortieren nach Zufallszahlen innerhalb gleicher Fälle- Auswählen der ersten N Paare


DatenaufbereitungDatenaufbereitung

Datenstruktur: Eindeutige ID für jeden Eintrag in Kontrollen und Fällen, Geburtsdatum, Geschlecht, Zuzugsdatum, …



1. Schritt: Toleranzbereiche für das Alter und den Zuzug festlegenDATA

Kontrollpool; SET

Kontrollpool;Geburtsjahr = year(Geburtsdatum);min_Geburtsjahr

= Geburtsjahr -

3;max_Geburtsjahr

= Geburtsjahr + 3;min_Zuzugsjahr

= Zuzugsjahr -

3;max_Zuzugsjahr

= Zuzugsjahr + 3;




1. Schritt: Toleranzbereiche für das Alter und den Zuzug festlegenDATA

Kontrollpool; SET

Kontrollpool;Geburtsjahr = year(Geburtsdatum);min_Geburtsjahr

= Geburtsjahr -

3;max_Geburtsjahr

= Geburtsjahr + 3;min_Zuzugsjahr

= Zuzugsjahr -

3;max_Zuzugsjahr

= Zuzugsjahr + 3;


DATA

Fallgruppe; SET

Fallgruppe;Geburtsjahr = year(Geburtsdatum);Zuzugsjahr = year(Zuzugsdatum);


SQL-AbfrageSQL-Abfrage

PROC

SQL;CREATE

TABLE

Abgleich AS SELECTA.ID AS

Fall_ID, B.ID AS

Kontroll_ID,A.Geburtsjahr

AS

Fall_Gebjahr,B.Geburtsjahr

AS

Kontrolle_Gebjahr,A.Zuzugsjahr

AS

Fall_Zuzug,B.Zuzugsjahr

AS

Kontrolle_Zuzug,A.Geschlecht

AS

Fall_Geschlecht,B.Geschlecht

AS

Kontrolle_Geschlecht,FROM

Fallgruppe

A, Kontrollpool

BWHERE

((A.Geburtsjahr

between B.min_Geburtsjahr

AND

B.max_Geburtsjahr) AND

(A.Zuzugsjahr

between

B.min_Zuzugsjahr

AND

B.max_Zuzugsjahr)AND

A.Geschlecht

= B.Geschlecht);QUIT;

2. Schritt: Verknüpfen der Tabellen mit PROC SQL


…und was dabei passiert…und was dabei passiert

KontrollenID Jahr min maxA 1962 1959 1965B 1968 1965 1971C 1966 1963 1969D 1958 1955 1961E 1963 1960 1966F 1962 1959 1965G 1959 1956 1962

FälleID Jahr z_zahl1 1960 0.594962 1965 0.667433 1963 0.220114 1955 0.23779





1958D0.2377919554

…

0.22011

0.66743

0.59496

z_zahl

Kontrollen

1968B

1962A19652

1959G

1966C

1962A19633

1963E

JahrIDJahrID

…

F

E

D

…

1962

1963

1958

Fälle

……

19601





1958D0.2377919554

…

0.22011

0.66743

0.59496

z_zahl

Kontrollen

1968B

1962A19652

1959G

1966C

1962A19633

1963E

JahrIDJahrID

…

F

E

D

…

1962

1963

1958

Fälle

……

19601





1958D0.2377919554

…

0.22011

0.66743

0.59496

z_zahl

Kontrollen

1968B

1962A19652

1959G

1966C

1962A19633

1963E

JahrIDJahrID

…

F

E

D

…

1962

1963

1958

Fälle

……

19601


Zuordnung der KontrollenZuordnung der Kontrollen

Fälle KontrollenID Jahr ID Jahr1 1960 D 19581 1960 E 19631 1960 F 19621 1960 G 19592 1965 A 19622 1965 B 19682 1965 C 19663 1963 A 19623 1963 E 19634 1955 D 1958… … … …

1:2-Matching, ohne Intervention: 1:2-Matching, ideal:

1959G19601

Kontrollen

1966C196521968B196521962A19652

1958D196011963E196011962F19601

JahrIDJahrID

…

EAD

…

196319621958

Fälle

……

196331963319554




1:2-Matching, ohne Intervention:

1:2-Matching, ideal:

1959G19601

Kontrollen

1966C196521968B196521962A19652

1958D196011963E196011962F19601

JahrIDJahrID

…

EAD

…

196319621958

Fälle

……

196331963319554






1959G19601

Kontrollen

1966C196521968B196521962A19652

1958D196011963E196011962F19601

JahrIDJahrID

…

EAD

…

196319621958

Fälle

……

196331963319554






1959G19601

Kontrollen

1966C196521968B196521962A19652

1958D196011963E196011962F19601

JahrIDJahrID

…

EAD

…

196319621958

Fälle

……

196331963319554






1959G19601

Kontrollen

1966C196521968B196521962A19652

1958D196011963E196011962F19601

JahrIDJahrID

…

EAD

…

196319621958

Fälle

……

196331963319554





??


1959G19601

Kontrollen

1966C196521968B196521962A19652

1958D196011963E196011962F19601

JahrIDJahrID

…

EAD

…

196319621958

Fälle

……

196331963319554





??


1959G19601

Kontrollen

1966C196521968B196521962A19652

1958D196011963E196011962F19601

JahrIDJahrID

…

EAD

…

196319621958

Fälle

……

196331963319554





??


1959G19601

Kontrollen

1966C196521968B196521962A19652

1958D196011963E196011962F19601

JahrIDJahrID

…

EAD

…

196319621958

Fälle

……

196331963319554





??


1959G19601

Kontrollen

1966C196521968B196521962A19652

1958D196011963E196011962F19601

JahrIDJahrID

…

EAD

…

196319621958

Fälle

……

196331963319554


Zählen der Kontrollen pro FallZählen der Kontrollen pro Fall

PROC

SORT

DATA

= Abgleich; BY

Fall_ID; RUN;DATA

Abgleich_2 ( keep

= Fall_ID

Anzahl_K); SET

Abgleich;BY

Fall_ID;RETAIN

Anzahl_K;IF

first.Fall_ID

THEN

Anzahl_K

= 1; ELSE

Anzahl_K

+ 1;IF

last.Fall_ID

THEN

OUTPUT;RUN;

3. Schritt: Zählen der Anzahl gefundener Kontrollen pro Fall


Zählen der Kontrollen pro FallZählen der Kontrollen pro Fall

PROC

SORT

DATA

= Abgleich; BY

Fall_ID; RUN;DATA

Abgleich_2 ( keep

= Fall_ID

Anzahl_K); SET

Abgleich;BY

Fall_ID;RETAIN

Anzahl_K;IF

first.Fall_ID

THEN

Anzahl_K

= 1; ELSE

Anzahl_K

+ 1;IF

last.Fall_ID

THEN

OUTPUT;RUN;

3. Schritt: Zählen der Anzahl gefundener Kontrollen pro Fall

Anzahl_KFall_ID

……1131251

Abgleich_2


Verknüpfen und SortierenVerknüpfen und Sortieren

4. Schritt: Verknüpfen mit der Haupttabelle und sortieren der Fälle nach der Anzahl der Kontrollen

DATA

Abgleich_3; MERGE

Abgleich Abgleich_2;BY

Fall_ID;z_zahl=uniform(seed);

RUN;PROC

SORT

DATA

= Abgleich_3;BY

Kontroll_ID

Anzahl_K

z_zahl;RUN;




DATA

Abgleich_3; MERGE



RUN;PROC

SORT

DATA

= Abgleich_3;BY

Kontroll_ID

Anzahl_K

z_zahl;RUN;

Ab hier mehrmalige Wiederholung der restlichen Prozedur mit unterschied- lichen Zufallszahlen!


3

2

4

3

9

9

3

2

Anz_K

…

0.945

0.777

0.699

0.467

0.992

0.711

0.667

0.220

z_zahlKontrollen

1968B19708

1968B19652

1962A19606

1966C19673

1966C19652

JahrIDJahrID

…

A

A

A

…

1962

1962

1962

Fälle

……

19647

19652

19633



DATA

Abgleich_3; MERGE



RUN;PROC

SORT

DATA

= Abgleich_3;BY

Kontroll_ID

Anzahl_K

z_zahl;RUN;



3

2

4

3

9

9

3

2

Anz_K

…

0.945

0.777

0.699

0.467

0.992

0.711

0.667

0.220

z_zahlKontrollen

1968B19708

1968B19652

1962A19606

1966C19673

1966C19652

JahrIDJahrID

…

A

A

A

…

1962

1962

1962

Fälle

……

19647

19652

19633



DATA

Abgleich_3; MERGE



RUN;PROC

SORT

DATA

= Abgleich_3;BY

Kontroll_ID

Anzahl_K

z_zahl;RUN;



3

2

4

3

9

9

3

2

Anz_K

…

0.945

0.777

0.699

0.467

0.992

0.711

0.667

0.220

z_zahlKontrollen

1968B19708

1968B19652

1962A19606

1966C19673

1966C19652

JahrIDJahrID

…

A

A

A

…

1962

1962

1962

Fälle

……

19647

19652

19633



DATA

Abgleich_3; MERGE



RUN;PROC

SORT

DATA

= Abgleich_3;BY

Kontroll_ID

Anzahl_K

z_zahl;RUN;



3

2

4

3

9

9

3

2

Anz_K

…

0.945

0.777

0.699

0.467

0.992

0.711

0.667

0.220

z_zahlKontrollen

1968B19708

1968B19652

1962A19606

1966C19673

1966C19652

JahrIDJahrID

…

A

A

A

…

1962

1962

1962

Fälle

……

19647

19652

19633



DATA

Abgleich_3; MERGE



RUN;PROC

SORT

DATA

= Abgleich_3;BY

Kontroll_ID

Anzahl_K

z_zahl;RUN;



Jede Kontrolle nur einmal!Jede Kontrolle nur einmal!

DATA

Abgleich_4; SET

Abgleich_3;BY

Kontroll_ID;IF

first.Kontroll_ID;RUN;

5. Schritt: Jeweils den ersten Eintrag zu jeder Kontrolle auswählen

Fälle KontrollenID Jahr z_zahl Anz_K ID Jahr3 1963 0.220 2 A 19622 1965 0.667 3 A 19627 1964 0.711 5 A 19626 1960 0.992 11 A 19622 1965 0.467 3 B 19688 1970 0.699 4 B 19683 1967 0.777 2 C 19662 1965 0.945 3 C 1966… … … … …



DATA

Abgleich_4; SET

Abgleich_3;BY

Kontroll_ID;IF






DATA

Abgleich_4; SET

Abgleich_3;BY

Kontroll_ID;IF






DATA

Abgleich_4; SET

Abgleich_3;BY

Kontroll_ID;IF






DATA

Abgleich_4; SET

Abgleich_3;BY

Kontroll_ID;IF





Jeder Fall zweimal!Jeder Fall zweimal!

6. Schritt: Zufällige Auswahl von N Kontrollen pro FallPROC

SORT

DATA

= Abgleich_4; BY

Fall_ID

z_zahl; RUN;DATA

Final; SET

Abgleich_4;BY

Fall_ID;RETAIN

num;IF

first.Fall_ID

THEN

num

= 1;IF

num

le N THEN

DO;OUTPUT

Final;num

+ 1;END;

RUN;


Jeder Fall zweimal!Jeder Fall zweimal!

6. Schritt: Zufällige Auswahl von N Kontrollen pro FallPROC

SORT

DATA

= Abgleich_4; BY

Fall_ID

z_zahl; RUN;DATA

Final; SET

Abgleich_4;BY

Fall_ID;RETAIN

num;IF

first.Fall_ID

THEN

num

= 1;IF

num

le N THEN

DO;OUTPUT

Final;num

+ 1;END;

RUN;

Letzter Schritt: Wiederholung ab Schritt 4 mit neuen Zufallszahlen, Auswählen der “Final”-Tabelle mit den meisten doppelten Zuordnungen! (“Final” enthält auch Fälle mit nur einer gefundenen Kontrolle)


Ergebnis (PROC SLQ)Ergebnis (PROC SLQ)

300 Fälle, 900 Kontrollen, 1:2 Matching nach Alter, Zuzug, Geschlecht



Szenario 1: gleiche Altersverteilung

Zu 131 Fällen wurde keine Kontrolle gefunden!






Szenario 2: ungleiche Altersverteilung, Fälle 30% Frauen




…ok, aber sooo schlecht?…ok, aber sooo schlecht?

Fälle KID z # K ID1 0.02 8 A4 0.66 8 A5 0.71 15 A6 0.99 21 A1 0.12 8 B8 0.44 10 B1 0.67 8 C7 0.86 9 C9 0.33 1 D1 0.72 8 D1 0.22 8 E4 0.35 8 E6 0.49 21 E1 0.54 8 F7 0.59 9 F

11 0.99 17 F

Sortieren




11 0.99 17 F

D10.339F80.541

8888

# K

0.220.670.120.02

zK

B1C1

IDID

E

A

Fälle

1

1

first.Kontroll_ID

Sortieren




11 0.99 17 F

D10.339F80.541

8888

# K

0.220.670.120.02

zK

B1C1

IDID

E

A

Fälle

1

1

first.Kontroll_ID

188

# K

0.330.120.02

zK

B1

IDID

D

A

Fälle

9

1ErgebnisErgebnis

Sortieren




11 0.99 17 F

In diesem Beispiel wird die Hälfte der möglichen Paare unterschlagen!

D10.339F80.541

8888

# K

0.220.670.120.02

zK

B1C1

IDID

E

A

Fälle

1

1

first.Kontroll_ID

188

# K

0.330.120.02

zK

B1

IDID

D

A

Fälle

9

1ErgebnisErgebnis

F90.597E80.354

7# K

0.86z

KIDIDC

Fälle

7VerlustVerlust

Sortieren


PROC SLQ: ModifikationPROC SLQ: Modifikation

Fälle KID z # K ID1 0.02 8 A4 0.66 8 A5 0.71 15 A6 0.99 21 A1 0.12 8 B8 0.44 10 B1 0.67 2 C7 0.86 9 C9 0.33 1 D1 0.72 8 D1 0.22 8 E4 0.35 8 E6 0.49 21 E1 0.54 8 F7 0.59 9 F110.99 17 F

A




F80.541E80.221

1288

# K

0.330.670.120.02

zK

B1C1

IDID

D

A

Fälle

9

1

A




F80.541E80.221

1288

# K

0.330.670.120.02

zK

B1C1

IDID

D

A

Fälle

9

1

D10.339C80.671

8288

# K

0.540.220.120.02

zK

B1E1

IDID

F

A

Fälle

1

1

A




F80.541E80.221

1288

# K

0.330.670.120.02

zK

B1C1

IDID

D

A

Fälle

9

1

D10.339C80.671

8288

# K

0.540.220.120.02

zK

B1E1

IDID

F

A

Fälle

1

1

188

# K

0.330.120.02

zK

D9

IDID

BA

Fälle

11

A




F80.541E80.221

1288

# K

0.330.670.120.02

zK

B1C1

IDID

D

A

Fälle

9

1

D10.339C80.671

8288

# K

0.540.220.120.02

zK

B1E1

IDID

F

A

Fälle

1

1

188

# K

0.330.120.02

zK

D9

IDID

BA

Fälle

11

A




F80.541E80.221

1288

# K

0.330.670.120.02

zK

B1C1

IDID

D

A

Fälle

9

1

D10.339C80.671

8288

# K

0.540.220.120.02

zK

B1E1

IDID

F

A

Fälle

1

1

188

# K

0.330.120.02

zK

D9

IDID

BA

Fälle

11

A

X 100




F80.541E80.221

1288

# K

0.330.670.120.02

zK

B1C1

IDID

D

A

Fälle

9

1

D10.339C80.671

8288

# K

0.540.220.120.02

zK

B1E1

IDID

F

A

Fälle

1

1

188

# K

0.330.120.02

zK

D9

IDID

BA

Fälle

11

A




F80.541E80.221

1288

# K

0.330.670.120.02

zK

B1C1

IDID

D

A

Fälle

9

1

D10.339C80.671

8288

# K

0.540.220.120.02

zK

B1E1

IDID

F

A

Fälle

1

1

188

# K

0.330.120.02

zK

D9

IDID

BA

Fälle

11

A




F80.541E80.221

1288

# K

0.330.670.120.02

zK

B1C1

IDID

D

A

Fälle

9

1

D10.339C80.671

8288

# K

0.540.220.120.02

zK

B1E1

IDID

F

A

Fälle

1

1

188

# K

0.330.120.02

zK

D9

IDID

BA

Fälle

11

A




F80.541E80.221

1288

# K

0.330.670.120.02

zK

B1C1

IDID

D

A

Fälle

9

1

D10.339C80.671

8288

# K

0.540.220.120.02

zK

B1E1

IDID

F

A

Fälle

1

1

188

# K

0.330.120.02

zK

D9

IDID

BA

Fälle

11

A




F80.541E80.221

1288

# K

0.330.670.120.02

zK

B1C1

IDID

D

A

Fälle

9

1

D10.339C80.671

8288

# K

0.540.220.120.02

zK

B1E1

IDID

F

A

Fälle

1

1

188

# K

0.330.120.02

zK

D9

IDID

BA

Fälle

11

989

# K

0.590.350.86

zK

E4F7

IDIDC

Fälle

7

A




F80.541E80.221

1288

# K

0.330.670.120.02

zK

B1C1

IDID

D

A

Fälle

9

1

D10.339C80.671

8288

# K

0.540.220.120.02

zK

B1E1

IDID

F

A

Fälle

1

1

188

# K

0.330.120.02

zK

D9

IDID

BA

Fälle

11

989

# K

0.590.350.86

zK

E4F7

IDIDC

Fälle

7

899

# K

0.350.860.59

zK

C7E4

IDIDF

Fälle

7

A




F80.541E80.221

1288

# K

0.330.670.120.02

zK

B1C1

IDID

D

A

Fälle

9

1

D10.339C80.671

8288

# K

0.540.220.120.02

zK

B1E1

IDID

F

A

Fälle

1

1

188

# K

0.330.120.02

zK

D9

IDID

BA

Fälle

11

989

# K

0.590.350.86

zK

E4F7

IDIDC

Fälle

7

899

# K

0.350.860.59

zK

C7E4

IDIDF

Fälle

7899

0.350.860.59

E4FC

77

A




F80.541E80.221

1288

# K

0.330.670.120.02

zK

B1C1

IDID

D

A

Fälle

9

1

D10.339C80.671

8288

# K

0.540.220.120.02

zK

B1E1

IDID

F

A

Fälle

1

1

188

# K

0.330.120.02

zK

D9

IDID

BA

Fälle

11

989

# K

0.590.350.86

zK

E4F7

IDIDC

Fälle

7

899

# K

0.350.860.59

zK

C7E4

IDIDF

Fälle

7899

0.350.860.59

E4FC

77

899

0.350.860.59

E4CF

77

A




F80.541E80.221

1288

# K

0.330.670.120.02

zK

B1C1

IDID

D

A

Fälle

9

1

D10.339C80.671

8288

# K

0.540.220.120.02

zK

B1E1

IDID

F

A

Fälle

1

1

188

# K

0.330.120.02

zK

D9

IDID

BA

Fälle

11

989

# K

0.590.350.86

zK

E4F7

IDIDC

Fälle

7

899

# K

0.350.860.59

zK

C7E4

IDIDF

Fälle

7899

0.350.860.59

E4FC

77

899

0.350.860.59

E4CF

77

A

do until A = { }


Macro-Umsetzung (1)Macro-Umsetzung (1)

… 6. Schritt: Anwenden des Macros

%MACRO

Optimierung(TabIn=, TabOut=, caseID=, controlID=, numControls=, zzahl=);

DATA _reduction; SET &TabIn.; RUN;

PROC SQL NOPRINT; SELECT COUNT(*) INTO :_countFROM &TabIn.;

QUIT;

%DO %UNTIL

(&_count.

= %SYSEVALF(0));.........

%END;

%MEND

Optimierung;



… 6. Schritt: Anwenden des Macros

%MACRO


DATA _reduction; SET &TabIn.; RUN;

PROC SQL NOPRINT; SELECT COUNT(*) INTO :_countFROM &TabIn.;

QUIT;

%DO %UNTIL

(&_count.

= %SYSEVALF(0));.........

%END;

%MEND

Optimierung;



%MACRO


...

%DO %UNTIL

(&_count.

= %SYSEVALF(0));PROC SORT DATA =_reduction; BY &controlID. &numControls.

&zzahl.; RUN;DATA _set1; SET _reduction;

BY &controlID.; IF first.&controlID.;

RUN;

PROC SORT DATA = _set1; BY &caseID.; RUN;DATA _set2; SET _set1;

BY &caseID.; IF (first.&caseID.

or

last.&caseID.); /*1:2-Matching*/RUN;...

%END;

%MEND

Optimierung;



%MACRO


...

%DO %UNTIL

(&_count.

= %SYSEVALF(0));

...

PROC APPEND BASE = &TabOut.

DATA =_set2; RUN;

PROC SORT DATA = _reduction; BY &controlID.; RUN;PROC SORT DATA = _set2; BY &controlID.; RUN;DATA _reduction; MERGE _reduction

_set2 (in = b keep

= &controlID.);BY &controlID.; IF not

b; RUN;...

%END;

%MEND

Optimierung;



%MACRO


...

%DO %UNTIL

(&_count.

= %SYSEVALF(0));

...

PROC SORT DATA = _reduction; BY &caseID.; RUN;PROC SORT DATA = _set2; BY &caseID.; RUN;DATA _reduction; MERGE _reduction

_set2 (in = b keep

= &caseID.);BY &caseID.;IF not

b; RUN;

PROC SQL NOPRINT; SELECT COUNT(*) INTO :_count

FROM _reduction; QUIT;%END;

%MEND

Optimierung;

+



%MACRO


...

%DO %UNTIL

(&_count.

= %SYSEVALF(0));

...

PROC SORT DATA = _reduction; BY &caseID.; RUN;PROC SORT DATA = _set2; BY &caseID.; RUN;DATA _reduction; MERGE _reduction

_set2 (in = b keep

= &caseID.);BY &caseID.;IF not

b; RUN;

PROC SQL NOPRINT; SELECT COUNT(*) INTO :_count

FROM _reduction; QUIT;%END;

%MEND

Optimierung;

+


Ergebnis (PROC SLQ modifiziert)Ergebnis (PROC SLQ modifiziert)















Lösung mit Propensity ScoresLösung mit Propensity Scores

Für jede Person wird die Vorhersage-Wahrscheinlichkeit berechnet, aufgrund der individuellen Variablen-Struktur ein Fall zu werden, d.h. Kontrollen mit ähnlicher Struktur erhalten ähnliche Wahrschein- lichkeiten wie vergleichbare Fälle.

Parsons LS, et. al. (2004): Performing a 1:N Case-Control Match on Propensity Score. SUGI 29, 165-29, Seattle, Washington


Lösung mit Propensity ScoresLösung mit Propensity Scores

Für jede Person wird die Vorhersage-Wahrscheinlichkeit berechnet, aufgrund der individuellen Variablen-Struktur ein Fall zu werden, d.h. Kontrollen mit ähnlicher Struktur erhalten ähnliche Wahrschein- lichkeiten wie vergleichbare Fälle.

Parsons LS, et. al. (2004): Performing a 1:N Case-Control Match on Propensity Score. SUGI 29, 165-29, Seattle, Washington


Logistisches ModellLogistisches Modell

Anforderung: Geschlecht darf zwischen Fall und Kontrollen nicht variieren

Zwei getrennte Modelle für Frauen und Männer!



PROC

LOGISTIC

DATA

= Frauen;MODEL

F_K = Alter Zuzug/ SELECTION

= NONE RISKLIMITS

LACKFIT

RSQUARE

PARMLABEL;OUTPUT

OUT

= Propensity_f

PROB = prob;RUN;





PROC

LOGISTIC

DATA

= Frauen;MODEL


= NONE RISKLIMITS

LACKFIT

RSQUARE

PARMLABEL;OUTPUT

OUT

= Propensity_f

PROB = prob;RUN;



0.2269100199945mF20

382320

Alter

f

mff

sex

0.24534892008F

pZuzugF_K

199320072008

0.22389910.24566770.2453482

KKK



PROC

LOGISTIC

DATA

= Frauen;MODEL


= NONE RISKLIMITS

LACKFIT

RSQUARE

PARMLABEL;OUTPUT

OUT

= Propensity_f

PROB = prob;RUN;



0.2269100199945mF20

382320

Alter

f

mff

sex

0.24534892008F

pZuzugF_K

199320072008

0.22389910.24566770.2453482

KKK



PROC

LOGISTIC

DATA

= Frauen;MODEL


= NONE RISKLIMITS

LACKFIT

RSQUARE

PARMLABEL;OUTPUT

OUT

= Propensity_f

PROB = prob;RUN;



0.2269100199945mF20

382320

Alter

f

mff

sex

0.24534892008F

pZuzugF_K

199320072008

0.22389910.24566770.2453482

KKK



PROC

LOGISTIC

DATA

= Frauen;MODEL


= NONE RISKLIMITS

LACKFIT

RSQUARE

PARMLABEL;OUTPUT

OUT

= Propensity_f

PROB = prob;RUN;



0.2269100199945mF20

382320

Alter

f

mff

sex

0.24534892008F

pZuzugF_K

199320072008

0.22389910.24566770.2453482

KKK



PROC

LOGISTIC

DATA

= Frauen;MODEL


= NONE RISKLIMITS

LACKFIT

RSQUARE

PARMLABEL;OUTPUT

OUT

= Propensity_f

PROB = prob;RUN;



0.2269100199945mF20

382320

Alter

f

mff

sex

0.24534892008F

pZuzugF_K

199320072008

0.22389910.24566770.2453482

KKK

Extremfall:

Danach Ausschluss der “falschen Socken” (nachträgliche Begrenzung)


Ergebnis (Propensity Score)Ergebnis (Propensity Score)















ZusammenfassungZusammenfassung

300 Fälle, 900 Kontrollen 300 Fälle, 10.000 Kontrollen

2 K 1 K keine 2 K 1 K keine

PROC SQL* 146 23 131 186 1 113PROC SQL modifiziert 273 25 2 298 2 0

Propensity Score 72 118 110 288 8 4

PROC SQL* 123 33 144 173 2 125

PROC SQL modifiziert 169 57 74 297 3 0

Propensity Score 32 48 220 253 35 12

Gle

iche

A

lters

verte

il.U

ngle

iche

A

lters

verte

il.

* jeweils 500 Durchläufe mit variierten Zufallszahlen


Vielen Dank für Ihre Aufmerksamkeit!Vielen Dank für Ihre Aufmerksamkeit!

Kawabata H, et. al. Using SAS ® to Match Cases for Case Control Studies. SUGI 29, 173-29, Princeton, New Jersey

Parsons LS, et. al. Performing a 1:N Case-Control Match on Propensity Score. SUGI 29, 165-29, Seattle, Washington

Documents

1:N-Matching von Fällen und Kontrollen: Propensity Score ... · 01.03.2011 Andreas Deckert, Institute of Public Health Heidelberg Problemstellung (4) Problemstellung (4) Anforderungen: