🔹 امتیاز تمایل؛ چگونه در مطالعات مشاهده‌ای گروه‌ها را قابل‌مقایسه‌تر کنیم؟
در مطالعات مشاهده‌ای، افراد به‌صورت تصادفی در معرض یک مداخله یا عامل قرار نمی‌گیرند.
به همین دلیل، دو گروه ممکن است از ابتدا در ویژگی‌های مهم با هم تفاوت داشته باشند.
یکی از روش‌های رایج برای کاهش این عدم تعادل، استفاده از «امتیاز تمایل» است.
══════════════
🧠 امتیاز تمایل چیست؟
امتیاز تمایل یعنی احتمال دریافت مداخله یا قرار گرفتن در گروه مواجهه، بر اساس مجموعه‌ای از متغیرهای مشاهده‌شده.
مثلاً اگر هدف بررسی اثر شرکت در کارگاه پژوهش بر کیفیت مقاله باشد، احتمال شرکت هر دانشجو ممکن است بر اساس این عوامل برآورد شود:
سابقه پژوهشی،
معدل،
انگیزه،
مقطع تحصیلی،
و دسترسی به استاد راهنما.
این احتمال همان امتیاز تمایل است.
══════════════
📌 چرا این امتیاز مفید است؟
فرض کنید دانشجویانی که در کارگاه شرکت کرده‌اند، از ابتدا سابقه پژوهشی بیشتری داشته‌اند.
اگر بعداً مقاله‌های بهتری بنویسند، نمی‌توانیم مطمئن باشیم تفاوت به دلیل خود کارگاه بوده یا سابقه پژوهشی بیشتر.
امتیاز تمایل تلاش می‌کند افرادی را مقایسه کند که از نظر احتمال دریافت مداخله شبیه‌اند.
هدف این است که گروه‌ها از نظر متغیرهای اندازه‌گیری‌شده متعادل‌تر شوند.
══════════════
✍️ مثال پژوهشی
فرض کنید ۵۰۰ دانشجو داریم:
۲۰۰ نفر در کارگاه مقاله‌نویسی شرکت کرده‌اند
و ۳۰۰ نفر شرکت نکرده‌اند.
مدل امتیاز تمایل نشان می‌دهد برخی افراد در هر دو گروه احتمال تقریباً ۰٫۶۰ برای شرکت در کارگاه داشته‌اند.
اگر افراد دارای امتیازهای مشابه با هم مقایسه شوند، تفاوت‌های اولیه میان گروه‌ها می‌تواند کاهش یابد.
در این صورت، برآورد اثر کارگاه کمتر تحت تأثیر تفاوت‌های مشاهده‌شده اولیه قرار می‌گیرد.
══════════════
📌 امتیاز تمایل چگونه استفاده می‌شود؟
چند روش رایج وجود دارد:
تطبیق افراد با امتیازهای مشابه،
وزن‌دهی بر اساس امتیاز تمایل،
طبقه‌بندی افراد در گروه‌های امتیازی،
یا وارد کردن امتیاز تمایل در مدل آماری.
انتخاب روش به سؤال پژوهش، حجم نمونه و ساختار داده بستگی دارد.
══════════════
⚠️ خطای مهم: فقط نگاه کردن به مدل امتیاز تمایل
هدف اصلی، پیش‌بینی دقیق دریافت مداخله نیست.
هدف این است که بعد از تطبیق یا وزن‌دهی، تعادل متغیرهای پایه بین گروه‌ها بهتر شود.
پس نباید فقط به مقدار p یا قدرت پیش‌بینی مدل امتیاز تمایل نگاه کرد.
باید مستقیماً بررسی شود آیا متغیرهای مهم پایه پس از تعدیل، بین گروه‌ها متعادل شده‌اند یا نه.
══════════════
📌 امتیاز تمایل متغیرهای اندازه‌گیری‌نشده را کنترل نمی‌کند
این محدودیت بسیار مهم است.
اگر یک عامل مهم مانند انگیزه پژوهشی بر دریافت مداخله و نتیجه اثر داشته باشد اما اصلاً اندازه‌گیری نشده باشد، امتیاز تمایل نمی‌تواند آن را اصلاح کند.
پس این روش فقط مخدوش‌گری ناشی از متغیرهای مشاهده‌شده را کاهش می‌دهد.
══════════════
🎯 اصل همپوشانی را فراموش نکنید
برای مقایسه معتبر، باید افرادی با ویژگی‌های مشابه در هر دو گروه وجود داشته باشند.
اگر برخی افراد تقریباً با قطعیت مداخله را دریافت کرده‌اند و افراد مشابهی در گروه کنترل وجود ندارند، مقایسه آن‌ها دشوار می‌شود.
این مسئله را «نبود همپوشانی کافی» می‌نامند.
در چنین شرایطی، اثر برای همه افراد نمونه به‌خوبی قابل برآورد نیست.
══════════════
✅ جمع‌بندی
امتیاز تمایل ابزاری برای کاهش عدم تعادل بین گروه‌ها در مطالعات مشاهده‌ای است.
منطق اصلی آن این است:
افرادی را مقایسه کنیم که از نظر احتمال دریافت مداخله مشابه بوده‌اند.
اما این روش سه محدودیت مهم دارد:
فقط متغیرهای اندازه‌گیری‌شده را تعدیل می‌کند،
نیازمند همپوشانی کافی بین گروه‌هاست،
و موفقیت آن باید با بررسی تعادل متغیرهای پایه ارزیابی شود.
امتیاز تمایل مطالعه مشاهده‌ای را به کارآزمایی تصادفی تبدیل نمی‌کند؛ فقط تلاش می‌کند مقایسه گروه‌ها منصفانه‌تر شود.
📚 @confpaper
Post #1363
37