Go to the content. | Move to the navigation | Go to the site search | Go to the menu | Contacts | Accessibility

| Create Account

Silan, Margherita (2018) Propensity score techniques in multiple treatments framework: the estimation of neighbourhood effect. [Ph.D. thesis]

Full text disponibile come:

[img]PDF Document - Updated Version
Thesis not accessible until 01 October 2020 for intellectual property related reasons.
Visibile to: nobody

4Mb

Abstract (italian or english)

Neighbourhood effects have been defined by Oakes (2004) as the independent causal effects of neighbourhood on a given number of health or social outcome(s).
The aim of this thesis is to estimate the neighbourhood effect on old population in Turin with a propensity score approach.
To achieve this goal, we need to work on adapting propensity score techniques to work well in a framework with many treatments (with ten or more treatments).
Data used in the thesis come from the Turin Longitudinal Study (SLT), described in chapter 3.
Our main goal is to understand if the observed differences in health outcomes across neighbourhoods can be causally attributed to neighbourhoods' as opposed to their different composition, i.e. to the fact that individuals with different risks factors live in different areas.
In order to adjust for confounders and simulate an experimental approach, we focused on propensity score techniques that are briefly described in chapter 2. The first part of the analysis focuses on the performance evaluation of an inverse probability of treatment approach (IPTW) in a 10-treatment framework (chapter 4) and its application on real data on two different health outcomes: hospitalized fractures and mental health (chapter 5).
In the second part of the thesis we propose a novel method that consists on a matching based on partially ordered sets (poset) (chapter 6).
The Matching on Poset based Average Rank for Multiple Treatment (MARMoT), tested with some simulations, has revealed to be really useful to estimate neighbourhood effect, reducing bias of estimates because of the initial improvement of covariates' balance between groups.

Abstract (a different language)

L'effetto di vicinato è stato definito da Oakes (2004) come l'effetto causale indipendente di un vicinato su qualsiasi esito sociale o di salute.
Lo scopo principale di questo elaborato consiste nello stimare l'effetto di vicinato sullo stato di salute degli anziani residenti a Torino con un approccio basato sull'uso del propensity score. Tuttavia, risulta necessario adattare le tecniche di propensity score, generalmente utilizzate con trattamenti dicotomici, a casi di trattamento multiplo, in cui siano eventualmente coinvolti molti trattamenti (10 o più). I dati utilizzati nella tesi provengono dallo studio longitudinale torinese (SLT), descritto nel capitolo 3. Una delle domande di ricerca principali in questa tesi consiste nello stimare quanto le differenze osservate nello stato di salute degli anziani residenti in diversi vicinati siano dovute al vicinato di residenza e quanto invece siano legate alle diverse caratteristiche degli individui che lo compongono.
Per aggiustare per l'effetto dei confondenti e ricostruire un approccio sperimentale, abbiamo preferito adottare tecniche basate sull'uso del propensity score, che sono brevemente descritte nel capitolo 2. Nella prima parte delle analisi viene valutato il funzionamento di un approccio di inverse probability of treatment weighting in uno scenario costituito da 10 trattamenti (capitolo 4). Viene poi applicato su dati reali per stimare l'effetto di vicinato su due esiti di salute: le fratture ospedalizzate e le malattie mentali (capitolo 5).
Nella seconda parte della tesi invece viene descritta una proposta originale che consiste in un matching che sfrutta la teoria degli ordinamenti parziali poset). Questo approccio, che abbiamo chiamato Matching on Poset based Average Rank for Multiple Treatment (MARMoT), è stato testato attraverso uno studio di simulazione e si è rivelato essere particolarmente utile per la stima degli effetti di vicinato, riducendo la distorsione delle stime grazie al miglioramento del bilanciamento delle variabili confondenti tra i vicinati.

EPrint type:Ph.D. thesis
Tutor:Boccuzzo, Giovanna
Supervisor:Arpino, Bruno and Costa, Giuseppe
Ph.D. course:Ciclo 31 > Corsi 31 > SCIENZE STATISTICHE
Data di deposito della tesi:18 February 2019
Anno di Pubblicazione:30 November 2018
Key Words:Propensity score, neighbourhood effect, poset, multiple treatment, matching, inverse probability of treatment weighting
Settori scientifico-disciplinari MIUR:Area 13 - Scienze economiche e statistiche > SECS-S/05 Statistica sociale
Struttura di riferimento:Dipartimenti > Dipartimento di Scienze Statistiche
Codice ID:11801
Depositato il:06 Nov 2019 12:44
Simple Metadata
Full Metadata
EndNote Format

Solo per lo Staff dell Archivio: Modifica questo record