1

语境

在进行随机对照试验 (RCT) 时，一些参与者被随机分配到治疗条件，而其他参与者则被分配到对照组。然而，并非每个分配到治疗的人都可能遵循治疗方案（称为“治疗依从性”）。

根据Sagarin 等人的说法。(2014)，解决这个问题的一种明智方法是使用编译器平均因果效应 (CACE)，有时也称为局部平均处理效应 (LATE)。根据Wikipedia的说法，它是“当且仅当它们被分配到治疗时，接受治疗的样本子集的治疗效果，否则称为编译器。” 换句话说，如果分配到治疗组的一部分参与者没有遵循治疗方案，这将是有用的。

问题

您如何在 R 中运行此分析？

我无法从 Google 和 stackoverflow 搜索中找到任何准确的信息。

此外，尽管我阅读了很多资料，但我仍然无法弄清楚预期的结果应该是什么。使用 CACE 时，结果如何？您是否最终获得了针对治疗不依从性进行调整的更新分数/数据，您可以将其插入您的常规分析（类似于因子分数）？或者你只是得到一些你必须做的事情？

我试过的

该eefAnalytics包似乎为此提供了最方便的功能：caceSRTBoot(). “caceSRTBoot 对简单的随机教育试验进行探索性 CACE 分析。” 它允许通过简单的合规百分比来指定合规性（非常简单方便）。

但是，我在安装 eefAnalytics 包时遇到了一些问题，同时尝试对其进行测试以查看它提供的输出类型：

install.packages("eefAnalytics")
package ‘eefAnalytics’ is not available (for R version 4.0.2)

# Install the latest version of this package by entering the following in R:
install.packages("eefAnalytics", repos="http://R-Forge.R-project.org")
package ‘eefAnalytics’ is not available (for R version 4.0.2)
Warning in install.packages :
  unable to access index for repository http://R-Forge.R-project.org/bin/windows/contrib/4.0:
  cannot open URL 'http://R-Forge.R-project.org/bin/windows/contrib/4.0/PACKAGES'

经过仔细调查，Cran 说：“软件包‘eefAnalytics’已从 CRAN 存储库中删除。”

我看过的其他包（例如1 , 2 , 3 , 4）似乎很复杂，我无法弄清楚（例如，它们没有用于 % 合规性的参数，我在制作它们时遇到了麻烦“运行此示例”小部件工作）。还有其他用户友好的软件包吗？有没有其他方法可以在 R 中进行这种分析？有人会有某种“教程”吗？

相关页面：1。

4

1 回答 1

1

安装eefAnalytics包

我通过包文档eefAnalytics联系了包维护者。有人告诉我，更新版本将很快在 R 中可用。同时，我能够从 CRAN 档案中安装旧版本的软件包：

install.packages("https://cran.r-project.org/src/contrib/Archive/eefAnalytics/eefAnalytics_1.0.6.tar.gz", repos = NULL, type = "source")

但是请注意，我必须先手动安装软件包geoR并metafor单独安装（否则会引发错误）。

运行因果平均处理效果

回答问题的第一部分：

您如何在 R 中运行此分析？

运行文档中提供的简单随机试验示例，我们得到：

library(eefAnalytics)    
data(mstData)
############# weighted ITT ####################################
caceOutput3 <- caceSRTBoot(Posttest~ Prettest+ Intervention,
               intervention="Intervention",
               compliance = "Percentage_Attendance",nBoot=1000,data=mstData)

cace <- caceOutput3$CACE
cace
  Compliance   ES   LB   UB
1       P> 0 0.32 0.04 0.62
2      P> 10 0.32 0.04 0.62
3      P> 20 0.37 0.04 0.72
4      P> 30 0.42 0.05 0.83
5      P> 40 0.47 0.06 0.92
6      P> 50 0.58 0.07 1.18

Complier <- caceOutput3$Compliers
Complier    
        P > 0 P > 10 P > 20 P > 30 P > 40 P > 50 P > 60 P > 70 P > 80 P > 90
pT          1      1   0.87   0.75   0.69   0.55   0.41   0.31   0.25   0.15
pC          0      0   0.00   0.00   0.00   0.00   0.00   0.00   0.00   0.00
P=PT-pC     1      1   0.87   0.75   0.69   0.55   0.41   0.31   0.25   0.15

### visualising CACE effect size

plot(caceOutput3)

在此处输入图像描述

输出解释

我无法从包文档中找到此信息，但根据我从输出中了解到的信息：

ITT= 治疗意图

ES= 效应大小（Hedge 的g）

LB= 下限（效应大小的置信区间）

UB= 上限

pT= 治疗组中遵从者的百分比

pC= 对照组中遵从者的百分比

P=PT-pC= 治疗组中遵从者的百分比减去对照组中遵从者的百分比

P > X= 依从性百分比大于 X（例如 50%）的参与者的值

结果如何？

要回答问题的第二部分：

使用 CACE 时，结果如何？

感兴趣的主要结果似乎是调整后的效果大小（Hedge 的g，与 Cohen 的d相似，但对于小于 20 的小样本更好）。似乎只能将两组比较，而不是更多（因为 Hedge 的g和 Cohen 的d一样，只能同时比较两种方法）。

该图非常有用，可以看到效果大小的“改善”作为增加治疗依从性的函数。您在此示例中看到的是，如预期的那样，较高的合规性百分比会导致较大的效果大小。

于 2020-10-15T19:00:42.727 回答