Giới thiệu

Khi các nhà nghiên cứu hoặc nhà phân tích muốn đo lường hiệu quả của một phương pháp điều trị, tiêu chuẩn vàng là thực hiện một thử nghiệm ngẫu nhiên có kiểm soát (RCT). Tuy nhiên, trong nhiều tình huống thực tế, việc ngẫu nhiên hóa là không khả thi. Những khác biệt giữa con người có thể làm sai lệch kết quả—tuổi tác, thu nhập, lối sống, hoặc sở thích đều ảnh hưởng đến kết quả. Đây chính là lúc Khớp Điểm Xu Hướng (PSM) trở nên hữu ích.

Được giới thiệu lần đầu bởi Rosenbaum và Rubin (1983) trong bài viết "Vai Trò Trung Tâm của Điểm Xu Hướng trong Các Nghiên Cứu Quan Sát về Các Hiệu Ứng Causal", PSM cung cấp một phương pháp thống kê nhằm giả lập lợi ích của việc ngẫu nhiên hóa trong dữ liệu quan sát. Nói một cách đơn giản, nó giúp chúng ta so sánh những đối tượng đã nhận và chưa nhận điều trị với những đặc điểm tương tự.

Bài viết này sẽ đề cập đến:

• Khái niệm Khớp Điểm Xu Hướng (PSM) (cả bằng ngôn ngữ thống kê và ngôn ngữ đơn giản)
• Tại sao điều này quan trọng cho suy diễn nguyên nhân
• Cách triển khai PSM trong R từng bước với MatchIt và TableOne
• Một ví dụ về chiến dịch marketing để thực tiễn hóa
• Những thách thức chính và bài học rút ra

Tại sao Ngẫu Nhiên Không Luôn Khả Thi

Hãy tưởng tượng việc thử nghiệm hiệu quả của một loại thuốc mới. Trong một phòng thí nghiệm kiểm soát, các nhà nghiên cứu có thể phân chia chuột thành các nhóm điều trị và kiểm soát một cách ngẫu nhiên. Tất cả các yếu tố khác—gen, môi trường, chế độ ăn uống—đều được giữ nguyên. Bất kỳ sự khác biệt nào trong sức khỏe đều có thể được quy cho loại thuốc đó.

Nhưng với con người, điều đó không đơn giản như vậy. Chúng ta không thể ngẫu nhiên hóa tuổi tác, thu nhập, trình độ học vấn hay tình trạng sức khỏe. Những người tham gia điều trị thường khác biệt về mặt hệ thống so với những người không tham gia. Nếu chỉ so sánh các giá trị trung bình, chúng ta có nguy cơ nhầm lẫn tương quan với nguyên nhân.

Khớp Điểm Xu Hướng cung cấp một giải pháp: nó tạo ra các nhóm cân bằng có sự tương đồng thống kê, giúp chúng ta ước lượng các hiệu ứng nguyên nhân một cách đáng tin cậy hơn.

Khớp Điểm Xu Hướng (PSM) Là Gì?

Về cơ bản, khớp điểm xu hướng trả lời câu hỏi này: Kết quả sẽ ra sao cho nhóm đã điều trị nếu họ không nhận điều trị?

Dưới đây là cách diễn giải bằng ngôn ngữ đơn giản:

1. Ước lượng xác suất (điểm xu hướng) mà mỗi cá nhân nhận điều trị, dựa trên các đặc điểm quan sát được.
2. Khớp những cá nhân đã nhận điều trị với những cá nhân chưa nhận điều trị có điểm xu hướng tương tự.
3. So sánh kết quả giữa các nhóm đã khớp để ước lượng hiệu ứng điều trị.

Bằng cách khớp trên điểm xu hướng thay vì các đặc điểm thô, chúng ta đơn giản hóa các so sánh đa chiều thành một điểm cân bằng duy nhất.

Ví dụ Thực Tế: Chiến Dịch Marketing

Giả sử một công ty thực hiện một chiến dịch quảng cáo mới và muốn biết liệu nó có làm tăng số lượng mua hàng hay không.

• Nhóm điều trị: Khách hàng được tiếp xúc với chiến dịch
• Nhóm kiểm soát: Khách hàng không được tiếp xúc

Nếu chỉ so sánh tỷ lệ mua hàng, chúng ta có nguy cơ bị sai lệch. Có thể khách hàng có thu nhập cao hơn có khả năng cao hơn để xem quảng cáo. Sức mua của họ, chứ không phải chiến dịch, có thể giải thích sự khác biệt.

Bằng cách áp dụng PSM, chúng ta có thể khớp những người phản hồi chiến dịch với những người không phản hồi tương tự (cùng tuổi, cùng thu nhập) và tách biệt hiệu ứng thực sự của chiến dịch.

Triển Khai Khớp Điểm Xu Hướng trong R

Chúng ta sẽ sử dụng một tập dữ liệu mô phỏng gồm 1.000 khách hàng với độ tuổi, thu nhập, phản hồi chiến dịch và hành vi mua hàng.

Đọc Tập Dữ Liệu

Data <- read.csv("Campaign_Data.csv", header = TRUE)
dim(Data)

Tập dữ liệu bao gồm:

• Tuổi
• Thu nhập
• Phản hồi chiến dịch (1 = đã phản hồi, 0 = không phản hồi)
• Mua hàng (1 = đã mua, 0 = không mua)

Xem trước một vài bản ghi đầu tiên:

head(Data)

Bước 1: Nhóm Điều Trị So với Nhóm Kiểm Soát

Chúng ta sẽ chia dữ liệu.

Treats <- subset(Data, Ad_Campaign_Response == 1)
Control <- subset(Data, Ad_Campaign_Response == 0)

Chúng ta có:

• 404 bản ghi đã điều trị
• 596 bản ghi kiểm soát

Nhìn vào lần đầu, các nhóm này có vẻ khác nhau, điều này có nghĩa là các so sánh thô có thể gây hiểu lầm cho chúng ta.

Bước 2: Ước Lượng Điểm Xu Hướng

Chúng ta sử dụng mô hình hồi quy logistic để ước lượng xác suất phản hồi chiến dịch dựa trên tuổi và thu nhập.

pscores.model <- glm(Ad_Campaign_Response ~ Age + Income,
                      family = binomial("logit"), data = Data)
summary(pscores.model)

Dữ liệu$PScores <- pscores.model$fitted.values

Những giá trị phù hợp này là điểm xu hướng. Một biểu đồ histogram của các điểm cho thấy mức độ tương đồng (hoặc khác biệt) giữa nhóm điều trị và nhóm kiểm soát.

hist(Data$PScores[Data$Ad_Campaign_Response == 1],
     main = "PScores của Người Phản Hồi")
hist(Data$PScores[Data$Ad_Campaign_Response == 0],
     main = "PScores của Người Không Phản Hồi")

Bước 3: Kiểm Tra Cân Bằng Trước Khi Khớp

Chúng ta sử dụng gói tableone để kiểm tra sự cân bằng biến trước khi khớp.

library(tableone)

xvars <- c("Age", "Income")
table1 <- CreateTableOne(vars = xvars,
                         strata = "Ad_Campaign_Response",
                         data = Data, test = FALSE)
print(table1, smd = TRUE)

Giá trị Trung Bình Chuẩn Hóa (SMD) giúp chúng ta đo lường sự mất cân bằng. Lý tưởng là các giá trị SMD nên dưới 0.1. Nếu không, việc khớp là cần thiết.

Bước 4: Các Thuật Toán Khớp

Gói MatchIt cung cấp nhiều thuật toán khác nhau.

4.1 Khớp Chính Xác

library(MatchIt)
match1 <- matchit(pscores.model, method="exact", data=Data)
summary(match1, covariates = TRUE)

Phương pháp này ghép cặp các cá nhân với các biến số giống hệt nhau. Trong thực tế, nó thường quá nghiêm ngặt và loại bỏ nhiều quan sát.

4.2 Khớp Hàng Xóm Gần Nhất

Phương pháp linh hoạt hơn là khớp hàng xóm gần nhất, trong đó mỗi đơn vị điều trị được khớp với đơn vị kiểm soát gần nhất về mặt điểm xu hướng.

match2 <- matchit(pscores.model, method="nearest", ratio=1, data=Data)
match2.data <- match.data(match2)

Những biểu đồ có thể hình dung chất lượng của việc khớp:

plot(match2, type="jitter")
plot(match2, type="hist")

Bước 5: Kiểm Tra Cân Bằng Sau Khi Khớp

Sau khi khớp, chúng ta kiểm tra sự cân bằng một lần nữa.

table_match2 <- CreateTableOne(vars = xvars,
                                strata = "Ad_Campaign_Response",
                                data = match2.data, test = FALSE)
print(table_match2, smd = TRUE)

Lúc này, các giá trị SMD giảm gần bằng không, xác nhận rằng việc khớp đã thành công.

Bước 6: Phân Tích Kết Quả

Cuối cùng, chúng ta kiểm tra xem liệu chiến dịch có ảnh hưởng đến việc mua hàng hay không.

 y_trt <- match2.data$Bought[match2.data$Ad_Campaign_Response == 1]
 y_con <- match2.data$Bought[match2.data$Ad_Campaign_Response == 0]
 difference <- y_trt - y_con
 t.test(difference)

Kiểm định t cho thấy p-value < 0.001, có nghĩa là sự khác biệt là rất đáng kể. Trung bình, chiến dịch đã tăng xác suất mua hàng lên 73%.

Ứng Dụng Kinh Doanh

Khớp Điểm Xu Hướng không chỉ giới hạn trong marketing. Nó được sử dụng rộng rãi trong:

• Chăm sóc sức khỏe: So sánh bệnh nhân nhận các phương pháp điều trị khác nhau
• Phân tích chính sách: Đánh giá tác động của các chương trình chính phủ
• Tài chính: Đo lường các tác động của can thiệp rủi ro
• Phân tích nguồn nhân lực: Hiểu hiệu quả của các chương trình đào tạo

Trong mỗi trường hợp, PSM giúp ước tính các hiệu ứng nguyên nhân trong các nghiên cứu quan sát, giảm thiểu sự thiên lệch từ các biến gây rối.

Thách Thức và Thực Hành Tốt Nhất

Mặc dù PSM rất mạnh mẽ, nó đi kèm với một số lưu ý:

• Biến gây rối không được quan sát: Khớp chỉ tính đến các biến quan sát được. Những thiên lệch ẩn vẫn có thể xảy ra.
• Dữ liệu bị loại bỏ: Một số quan sát có thể không khớp và bị loại bỏ, làm giảm kích thước mẫu.
• Lựa chọn thuật toán: Kết quả có thể thay đổi tùy thuộc vào việc bạn sử dụng khớp chính xác, hàng xóm gần nhất, hoặc khớp theo caliper.

Các thực hành tốt nhất bao gồm:

• Luôn kiểm tra sự cân bằng biến trước và sau khi khớp
• Sử dụng nhiều phương pháp khớp và so sánh kết quả
• Diễn giải kết quả một cách thận trọng, nhận thức về các hạn chế

Kết Luận

Khớp Điểm Xu Hướng trong R kết nối khoảng cách giữa các thử nghiệm ngẫu nhiên và dữ liệu quan sát. Bằng cách cân bằng các nhóm điều trị và kiểm soát trên các đặc điểm quan sát, PSM cho phép suy diễn nguyên nhân đáng tin cậy hơn.

Trong ví dụ chiến dịch marketing của chúng ta, việc khớp đã cho thấy xác suất mua hàng cao hơn 73% giữa những người phản hồi chiến dịch so với những người không phản hồi tương tự. Thông tin này có thể hướng dẫn các chiến lược chiến dịch và phân bổ ngân sách trong tương lai.

Khi các doanh nghiệp ngày càng phụ thuộc vào quyết định dựa trên dữ liệu, các kỹ thuật như PSM sẽ trở nên thiết yếu để rút ra những kết luận hợp lệ từ dữ liệu thực tế không ngẫu nhiên.