计算最佳倾向得分的程序
propscore的Python项目详细描述
倾向分数计算器
{下面是Python倾向性的^评分。计算了几种副产品，包括：
- 在
基于估计倾向得分Imbens and Rubin (2015a)的地层
在 - 在
通过修剪Imbens and Rubin (2015b)维持协变量平衡的倾向得分的最大值和最小值
在
安装
使用pip安装：
pip install propscore
说明
这段代码是一个正在进行中的工作，但是它允许人们按照Imbens and Rubin (2015a)中列出的一般方法来估计倾向分数（进入治疗组的概率）。在
目前支持一阶和二阶条款。该方法分三步进行估计。第一个由用户完成，其余由代码完成。在
步骤1
选择你认为相关的协变量，并且应该始终包含在倾向分数方程中。它们将位于代码的init_vars中。在
步骤2
添加将要测试的附加线性项。在倾向得分计算中，将根据这些结果逐一选出对数概率最大的总体增益。在每个步骤中，我们取最大值，使增益大于预定值（默认值为1）。一旦没有剩余变量给出至少一个增益，线性部分终止。在
步骤3
二次项和交互项是由init_vars和{
示例使用
下面是示例代码来说明使用（注意：这个示例不会运行，因为我没有费心寻找合适的数据集进行测试，这仍然是一个正在进行的工作。在
^{pr2}$输出
- 在
在self.data：数据帧。这包括一个新的框架，仅仅是结果和潜在的协变量。在 - 在
{cd6}列表。由于奇点原因而没有被削减的变量。在
在 - 在
在self.logodds：系列。这是对数优势比或线性化倾向得分。相当于self.model.fittedvalues。由于丢失了丢失的值，这可能与数据的维度不匹配，但索引将在不丢失的值上正确对齐。在 - 在
在self.model：来自Statsmodels的拟合模型。这是Statsmodels中最后一组变量的原始模型 - 在
在self.propscore：系列。这是由self.model.predict()计算的倾向得分。由于丢失了丢失的值，这可能与数据的维度不匹配，但索引将在不丢失的值上正确对齐。在 - 在
在self.test_vars_ord2：列表。供参考的已测试二阶变量的完整列表。在 - 在
{14>系列}。根据倾向得分计算出的阶层（指数从0开始），也遵循同一章。结果变量的缺失值和倾向性得分超出允许值（大于对照组的最大值，小于治疗组的最小值）的编码为NaN。在
在 - 在
在self.trim_range：元组。最佳配平最小值和最大倾向值的计算结果。在 - 在
在self.in_trim：系列（真/假）。如果数组中为True，则表示倾向分数落在trim min/max范围内。在
参考文献
Imbens，G.和Rubin，D.（2015a）。估计倾向得分。统计学、社会学和生物医学科学的因果推论：导论（第281-308页）。剑桥：剑桥大学出版社。doi:10.1017/CBO9781139025751.014在
Imbens，G.和Rubin，D.（2015b）。修正以改善协变量分布的平衡。统计学、社会学和生物医学科学的因果推论：导论（359-374页）。剑桥：剑桥大学出版社。doi:10.1017/CBO9781139025751.017在
- 项目
标签：
欢迎加入QQ群-->： 979659372
