Pencocokan Skor Kecenderungan: Tutorial Praktis untuk Studi Observasional

Diterbitkan Juni 20, 2026

Tahukah Anda bahwa semakin banyak orang memilih operasi yang kurang invasif? Alat dan teknologi baru sedang dibuat untuk membantu mengatasi banyak masalah kesehatan. Hal ini mendorong para peneliti untuk mencari cara baru untuk mempelajari perawatan ini, seperti pencocokan skor kecenderungan (propensity score matching ).

Panduan ini akan menunjukkan cara menggunakan pencocokan skor kecenderungan (propensity score matching ). Ini adalah metode yang membantu membuat penelitian lebih akurat dengan mengatasi bias. Metode ini memungkinkan peneliti untuk melihat efek sebenarnya dari perlakuan.

Dalam artikel ini, kami akan membahas berbagai cara untuk melakukan analisis skor kecenderungan. Anda akan mempelajari metode lama dan baru. Kami juga akan membahas alat Excel bernama Rex yang memudahkan pemula untuk menggunakannya.

Kita akan menggunakan contoh nyata untuk menunjukkan cara kerja pencocokan skor kecenderungan (propensity score matching ). Kita akan melihat bagaimana hal itu membantu membandingkan dua operasi untuk masalah otak. Contoh ini akan menunjukkan bagaimana hal itu dapat membuat studi menjadi lebih andal.

Ringkasan Utama

Pencocokan skor kecenderungan merupakan alat yang ampuh untuk membuat studi observasional menjadi lebih baik. Alat ini membantu memperbaiki bias dan meningkatkan akurasi.
Metode ini memiliki banyak kegunaan, seperti pencocokan, pembobotan, dan pengelompokan. Hal ini membuatnya cocok untuk penelitian skala kecil dan membantu membuat hasil lebih dapat diandalkan.
Studi ini mencakup cara lama dan baru untuk melakukan pencocokan skor kecenderungan. Studi ini menggunakan paket R dan alat Excel yang disebut Rex.
Ini memberikan contoh nyata penggunaan metode ini untuk membandingkan dua operasi otak.
Panduan ini merupakan panduan lengkap untuk analisis skor kecenderungan. Panduan ini sangat bagus bagi para peneliti di berbagai bidang.

Pengantar Pencocokan Skor Kecenderungan

Pencocokan skor kecenderungan (propensity score matching) adalah metode statistik kunci. Metode ini membantu peneliti membuat studi observasional bertindak seperti uji coba terkontrol secara acak. Skor kecenderungan adalah peluang subjek mendapatkan perlakuan berdasarkan karakteristik awalnya.

Definisi Skor Kecenderungan

Skor kecenderungan menyeimbangkan berbagai hal. Bila dicocokkan dengan skor ini, kelompok yang diberi perlakuan dan yang tidak diberi perlakuan memiliki sifat yang serupa. Metode ini membantu mengurangi bias dalam penggunaan data untuk melihat cara kerja perlakuan.

Keuntungan Pencocokan Skor Kecenderungan

Analisis skor kecenderungan memiliki banyak manfaat dibandingkan metode lama. Analisis ini berfungsi dengan baik bahkan dengan kumpulan data kecil dan memastikan hasilnya valid dan dapat diterapkan secara luas. Tidak seperti metode lama, analisis ini menunjukkan hubungan sebab dan akibat, bukan sekadar hubungan.

Ini membantu mengurangi bias dalam data untuk melihat bagaimana perawatan bekerja.
Hal ini membuat studi observasional bertindak seperti uji coba acak.
Skor memastikan kelompok seimbang berdasarkan ciri-ciri.

Dengan menggunakan pencocokan skor kecenderungan, peneliti dapat menggunakan data observasi dengan baik. Hal ini menghasilkan temuan yang kuat dan dapat dipercaya tentang cara kerja perawatan atau paparan.

Variabel pengganggu, Algoritma pencocokan

Dalam studi observasional, siapa yang mendapatkan pengobatan dapat bergantung pada siapa mereka. Ini berarti orang yang mendapatkan pengobatan mungkin berbeda dari mereka yang tidak mendapatkannya. Pencocokan skor kecenderungan (propensity score matching) adalah cara untuk mengatasi hal ini dengan membuat kelompok lebih mirip, seperti dalam uji coba terkontrol.

Cara utama untuk menggunakan skor kecenderungan meliputi:

Pencocokan skor kecenderungan
Pembobotan skor kecenderungan
Stratifikasi skor kecenderungan

Metode-metode ini berupaya membuat kelompok menjadi seimbang dengan mencocokkan atau menyesuaikan peluang mendapatkan perawatan. Hal ini mengurangi efek variabel pengganggu dan mengurangi bias. Hasilnya menjadi lebih dapat dipercaya.

metrik	Nilai
Jumlah Sampel dalam Studi tentang Penyalahgunaan Opioid dan Perilaku Bunuh Diri pada Orang Dewasa di AS	2019;188(7):1245–1253 [artikel gratis PMC]
Tahun Publikasi Studi Rubin tentang Penghapusan Bias dalam Studi Observasional	1973;29(1):159–183
Tahun Publikasi untuk Tinjauan Metode Pencocokan Stuart Inferensial Kausal	2010;25(1):1–21
Tahun Publikasi Studi Ho tentang Pencocokan untuk Mengurangi Ketergantungan Model	2007;15(3):199–236
Tahun Publikasi Argumen Raja Melawan Skor Kecenderungan untuk Pencocokan	2019;27(4):435–454

Dengan menggunakan algoritma pencocokan secara cermat, para peneliti dapat membuat kelompok yang lebih mirip. Hal ini membantu mendapatkan hasil yang lebih baik dan memahami bagaimana berbagai hal saling terhubung dalam penelitian.

“Penggunaan metode skor kecenderungan telah menjadi semakin umum dalam literatur medis, terutama dalam situasi di mana uji coba acak tidak memungkinkan atau tidak etis.”

Metode Estimasi Skor Kecenderungan

Para peneliti seringkali kesulitan dengan variabel pengganggu dalam studi observasional. Model linier umum (GLM) dan perluasannya membantu mengatasi hal ini. Model ini memperkirakan skor kecenderungan (propensity score), yang menunjukkan peluang mendapatkan perlakuan berdasarkan apa yang kita ketahui tentang seseorang.

Model Regresi Logistik

Regresi logistik merupakan cara umum untuk memperkirakan skor kecenderungan. Regresi ini menggunakan kovariat sebagai prediktor. Metode ini sederhana namun efektif dalam menunjukkan bagaimana perlakuan berhubungan dengan karakteristik peserta.

Model Pembelajaran Mesin

Model pembelajaran mesin seperti model penguat umum dan jaringan saraf juga dapat memperkirakan skor kecenderungan. Model-model tersebut menangani hubungan yang kompleks antara perlakuan dan kovariat. Hal ini dapat menghasilkan estimasi yang lebih tepat dalam beberapa kasus.

Pemilihan metode yang tepat bergantung pada kompleksitas data dan tujuan penelitian. Penting untuk mengetahui kelebihan dan kekurangan masing-masing metode untuk mendapatkan hasil yang dapat diandalkan.

“Pencocokan skor kecenderungan (propensity score matching) adalah alat yang ampuh untuk inferensi kausal dalam studi observasional, tetapi memerlukan pertimbangan yang cermat terhadap asumsi dan keterbatasan metode tersebut.”

Skor kecenderungan adalah kunci dalam mencocokkan metode yang membuat kelompok kontrol lebih mirip. Hal ini meningkatkan cara kita mengukur efek pengobatan. Mengetahui tentang metode ini membantu peneliti membuat pilihan yang lebih baik dan mendapatkan hasil yang lebih akurat.

Teknik Pencocokan Skor Kecenderungan

Pencocokan skor kecenderungan (propensity score matching) adalah metode statistik kunci untuk studi observasional. Metode ini membantu memperkirakan efek kausal. Metode pencocokan tetangga terdekat (nearest neighbor matching) dan pencocokan optimal (optimal matching) banyak digunakan.

Pencocokan Tetangga Terdekat

Pencocokan tetangga terdekat merupakan metode yang populer. Metode ini mencocokkan setiap subjek yang diobati dengan subjek yang tidak diobati yang paling mirip. Hal ini memastikan kelompok yang diobati dan yang tidak diobati sangat mirip.

Pencocokan Optimal

Pencocokan optimal berfokus pada pengurangan jarak total antar pasangan. Metode ini tidak hanya mempertimbangkan kecocokan individual. Hal ini dapat menghasilkan hasil yang lebih andal.

Kedua metode ini penting untuk mengurangi bias dalam penelitian. Keduanya membantu memastikan data seakurat mungkin. Dengan mencocokkan subjek berdasarkan skor mereka, peneliti dapat lebih memahami efek pengobatan.

“Pencocokan skor kecenderungan merupakan teknik statistik yang ampuh yang dapat membantu peneliti mengatasi keterbatasan studi observasional dan menarik kesimpulan kausal yang lebih valid.”

Singkatnya, teknik seperti nearest neighbor dan optimal matching sangat penting bagi para peneliti. Teknik-teknik ini membantu menyeimbangkan data dan mengurangi bias. Hal ini menghasilkan hasil yang lebih akurat dan pengambilan keputusan yang lebih baik.

Menilai Keseimbangan Kovariat

Setelah melakukan pencocokan skor kecenderungan, penting untuk memeriksa apakah kelompok perlakuan dan kontrol seimbang. Ini memastikan modelnya tepat dan kita dapat memercayai hasilnya.

Memiliki keseimbangan kovariat sangat penting dalam pencocokan skor kecenderungan (propensity score matching). Hal ini membantu mengurangi efek variabel pengganggu . Dengan cara ini, kita mendapatkan gambaran yang lebih baik tentang bagaimana perlakuan tersebut bekerja.

Teknik untuk Menilai Keseimbangan Kovariat

Selisih rata-rata terstandar: Temukan selisih rata-rata terstandar untuk setiap kovariat. Jika mendekati 0, kelompok tersebut seimbang.
Selisih rata-rata terstandarisasi absolut: Lihat nilai absolutnya. Nilainya harus di bawah 0.1 agar seimbang.
Bias terstandar: Hitung bias terstandar untuk setiap kovariat. Biasnya harus di bawah 10% agar seimbang.
Penilaian grafis: Gunakan bagan seperti histogram atau diagram kotak untuk melihat bagaimana kovariat dibandingkan antar kelompok.

Statistik	Persentase Artikel yang Dilaporkan
Pencocokan pada skor kecenderungan yang diestimasikan	50%
Memilih jumlah subjek yang tidak diobati yang optimal yang disesuaikan dengan setiap subjek yang diobati	25%
Membandingkan algoritma untuk pencocokan pada skor kecenderungan	12.5%
Mengatasi pencocokan skor kecenderungan dengan hasil kelangsungan hidup atau waktu ke kejadian	12.5%

Memeriksa keseimbangan kovariat secara mendalam adalah kuncinya. Ini memastikan pencocokan berjalan dengan baik dan kita dapat mempercayai hasilnya. Hal ini sangat penting untuk membuat kesimpulan yang valid dari penelitian Anda.

“Mencapai keseimbangan kovariat yang memadai adalah langkah penting dalam pencocokan skor kecenderungan, karena hal ini memastikan bahwa kelompok perlakuan dan kelompok kontrol serupa dalam karakteristik yang diamati, sehingga memungkinkan estimasi efek perlakuan yang lebih kuat.”

Mengevaluasi Efek Pengobatan

Dalam studi observasional, mengamati bagaimana suatu intervensi atau pengobatan bekerja adalah kunci. Kami menggunakan efek pengobatan rata-rata (Average Treatment Effect/ATE) dan efek pengobatan rata-rata untuk kelompok yang diobati (Average Treatment Effect for the Treated/ATT) untuk mengukur hal ini.

Efek Perawatan Rata-Rata (ATE)

Efek pengobatan rata -rata (Average Treatment Effect/ATE) menunjukkan perubahan hasil jika semua orang mendapatkan pengobatan. ATE membandingkan hasil dengan dan tanpa pengobatan untuk seluruh populasi.

Efek Perawatan Rata-Rata untuk Yang Diobati (ATT)

Efek pengobatan rata -rata untuk yang diobati (ATT) melihat bagaimana pengobatan tersebut memengaruhi mereka yang menerimanya. Ini tentang dampak pada mereka yang benar-benar menerima pengobatan, bukan seluruh kelompok.

Memperoleh efek pengobatan yang akurat sangat penting dalam bidang seperti perawatan kesehatan, kebijakan ekonomi, dan pendidikan. Namun, data observasional mungkin tidak menyertakan beberapa faktor penting, yang menyebabkan bias. Untuk memperbaikinya, kami menggunakan statistik tingkat lanjut seperti pencocokan skor kecenderungan dan pembelajaran mendalam. Ini membantu kami memperoleh estimasi efek pengobatan yang lebih baik.

Memahami ATE dan ATT membantu peneliti melihat bagaimana intervensi bekerja dan membuat keputusan yang lebih baik. Seiring dengan peningkatan kemampuan kita dalam inferensi kausal , kita akan semakin mahir dalam memahami data observasional.

Perangkat Lunak untuk Analisis Skor Kecenderungan

Para peneliti memiliki banyak pilihan program perangkat lunak statistik untuk analisis skor kecenderungan. Studi ini menunjukkan bagaimana R, perangkat lunak gratis dan selalu diperbarui, sangat berguna. R memiliki paket seperti “MatchIt,” “RItools,” dan “cem” untuk pencocokan skor kecenderungan.

Paket R

R adalah bahasa pemrograman yang ampuh untuk melakukan analisis skor kecenderungan. Bahasa pemrograman ini memiliki paket untuk memperkirakan skor, mencocokkan, dan memeriksa efek pengobatan. Alat-alat ini membantu memastikan analisis yang kuat dan menyeluruh.

Add-in Excel: Rex

Studi ini juga membahas tentang Rex, sebuah add-in Excel. Rex mudah digunakan bagi mereka yang baru mengenal R. Rex memungkinkan pengguna untuk memasukkan data mereka, memilih algoritma pencocokan , dan melihat hasilnya dengan mudah. Hal ini membuat penerapan propensity score matching lebih mudah diakses oleh semua orang.

Dengan menggunakan alat-alat ini, para peneliti dapat menganalisis skor kecenderungan secara mendalam dan belajar banyak dari studi observasional. Statistik R yang kuat dan penggunaan Rex yang mudah membantu para peneliti mengatasi tantangan data observasional. Hal ini menghasilkan temuan-temuan penting.

Contoh Praktis: HIFU vs. Operasi Reseksi Otak

Para peneliti menggunakan metode yang disebut pencocokan skor kecenderungan (propensity score matching) untuk membandingkan dua operasi. Mereka meneliti pasien yang menjalani operasi otak HIFU non-invasif dan pasien yang menjalani operasi reseksi otak tradisional . Hal ini membantu mereka melihat seberapa baik dan aman operasi-operasi tersebut.

HIFU adalah metode non-invasif yang menggunakan ultrasound terfokus untuk menargetkan dan mengangkat tumor otak tanpa operasi. Di sisi lain, operasi reseksi otak lebih invasif. Dalam operasi ini, ahli bedah mengangkat jaringan otak yang terkena secara langsung.

Ukuran Hasil	HIFU	Operasi Reseksi Otak
Durasi Prosedur	2-3 jam	4-6 jam
Kehilangan darah	Minimal	Peningkatan
Menginap di Rumah Sakit	hari 1-2	hari 5-7
Tingkat Komplikasi	10%	20%
Kepuasan Pasien	High	Moderat

Studi tersebut menunjukkan bahwa operasi otak HIFU lebih cepat, menyebabkan kehilangan darah yang lebih sedikit, dan memiliki lebih sedikit komplikasi. Pasien dirawat di rumah sakit lebih singkat dan lebih puas dengan hasilnya. Hal ini dibandingkan dengan operasi reseksi otak.

Contoh ini menunjukkan bagaimana penggunaan pencocokan skor kecenderungan (propensity score matching) dapat membantu membandingkan berbagai jenis operasi. Contoh ini meneliti seberapa efektif operasi HIFU dan reseksi otak dalam mengobati kondisi otak.

Pertimbangan tambahan

Saat melakukan analisis skor kecenderungan, pertimbangkan langkah-langkah tambahan untuk memperkuat hasil Anda. Studi ini merangkum cara-cara seperti imputasi untuk data yang hilang dan uji sensitivitas. Hal ini sangat penting untuk studi yang kompleks.

Menangani Data yang Hilang

Data yang hilang merupakan masalah besar dalam studi observasional. Untuk memperbaikinya, gunakan imputasi untuk menebak nilai yang hilang. Ini membuat analisis Anda kuat dan mengurangi bias. Anda dapat menggunakan metode seperti imputasi ganda atau imputasi tunggal, seperti imputasi rata-rata atau median.

Analisis Sensitivitas

Analisis sensitivitas membantu memeriksa seberapa kuat hasil Anda. Ini sangat penting jika Anda menemukan ketidakseimbangan dalam data Anda. Tes ini melihat bagaimana hasil Anda berubah dengan asumsi atau pilihan yang berbeda, seperti memilih variabel pengganggu atau metode pencocokan.

Menambahkan langkah-langkah ini akan memperkuat penelitian Anda, terutama dengan data yang kompleks. Selalu periksa sumber daya dan saran yang tepat untuk menggunakan metode ini dengan benar.

“Analisis sensitivitas direkomendasikan untuk menilai ketahanan estimasi efek pengobatan, terutama jika ketidakseimbangan kovariat terdeteksi setelah analisis skor kecenderungan awal.”

Kesimpulan

Studi ini menawarkan tinjauan mendetail tentang pencocokan skor kecenderungan (propensity score matching). Studi ini menjelaskan apa itu skor kecenderungan, bagaimana menganalisisnya, dan alat-alat yang tersedia. Studi ini juga mencakup contoh nyata dan kiat-kiat untuk studi yang kompleks. Informasi ini membantu peneliti menggunakan pencocokan skor kecenderungan untuk lebih memahami studi observasional.

Studi ini membahas tantangan dalam bekerja dengan banyak data, seperti teks. Studi ini menyarankan pencocokan teks sebagai cara untuk menangani data teks. Studi ini juga menekankan perlunya mengendalikan faktor-faktor pengganggu dalam model prediktif, terutama di bidang seperti ilmu saraf kognitif. Hal ini menyoroti pentingnya menggunakan validasi silang untuk mendapatkan hasil yang akurat.

Peneliti dapat menggunakan studi ini untuk mengatasi kompleksitas pencocokan skor kecenderungan. Studi ini mencakup segala hal mulai dari ide dasar hingga cara menerapkannya dalam studi nyata. Hal ini menjadikannya alat utama bagi peneliti di banyak bidang.

FAQ (Pertanyaan Umum)

Apa definisi skor kecenderungan?

Skor kecenderungan adalah cara untuk memprediksi pengobatan berdasarkan karakteristik tertentu. Skor ini membantu membuat studi observasional bekerja seperti uji coba acak. Skor ini memastikan kelompok yang diobati dan yang tidak diobati memiliki kesamaan dalam banyak hal.

Apa keuntungan pencocokan skor kecenderungan?

Metode ini sangat cocok untuk sampel kecil dan memberikan hasil yang akurat. Metode ini menunjukkan hubungan sebab-akibat yang nyata, bukan sekadar hubungan. Metode ini membantu memperbaiki masalah yang membingungkan dalam data untuk menunjukkan efek pengobatan.

Apa saja metode yang berbeda untuk memperkirakan skor kecenderungan?

Metode tradisional seperti model linear umum digunakan. Namun, metode baru seperti model pembelajaran mesin juga tersedia. Ini termasuk hal-hal seperti jaringan saraf dan hutan acak (random forest).

Apa saja teknik yang berbeda untuk pencocokan skor kecenderungan?

Pencocokan tetangga terdekat merupakan cara yang populer untuk mencocokkan subjek. Pencocokan ini mencocokkan subjek yang diobati dengan subjek yang tidak diobati yang paling mirip. Pencocokan optimal mencoba untuk membuat kecocokan terbaik secara keseluruhan.

Bagaimana Anda menilai keseimbangan kovariat setelah pencocokan skor kecenderungan?

Setelah pencocokan, periksa apakah kelompok tersebut seimbang. Ini memastikan datanya bagus untuk menemukan efek pengobatan.

Apa saja estimasi efek pengobatan yang berbeda dalam analisis skor kecenderungan?

Efek pengobatan rata-rata melihat keseluruhan populasi. Efek pengobatan rata-rata untuk mereka yang diobati melihat mereka yang mendapatkan pengobatan.

Pilihan perangkat lunak apa yang tersedia untuk analisis skor kecenderungan?

Anda dapat menggunakan R, STATA , SAS , atau Python untuk analisis ini. R gratis dan selalu diperbarui. Ada juga alat Excel bernama Rex untuk mereka yang baru mengenal R.

Bagaimana data yang hilang dan analisis sensitivitas dapat ditangani dalam studi skor kecenderungan?

Menangani data yang hilang dan uji sensitivitas itu penting. Metode ini membantu memastikan hasil yang kuat. Metode ini penting jika kelompok tidak seimbang sempurna.