Me interesan los datos de observación en los que la asignación del tratamiento puede explicarse extremadamente bien. Por ejemplo, una regresión logística de
si asignación de tratamiento y covariables se ajustan muy bien con prueba muy alta o incluso . Esta es una buena noticia para la precisión del modelo de propensión, pero conduce a estimaciones de puntaje de propensión cerrar a o . Estos a su vez conducen a grandes pesos de probabilidad inversa y utilizados en estimadores como el estimador de probabilidad inversa ponderado de expectativa de resultado (observación bajo tratamiento):
Sospecho que esto hace que las variaciones de las estimaciones sean muy grandes.
Parece un círculo vicioso que los modelos de puntuación de propensión muy discriminativos conducen a pesos extremos.
Mi pregunta : ¿cuáles son las opciones disponibles para hacer este análisis más robusto? ¿Existen alternativas para ajustarse al modelo de puntaje de propensión o cómo lidiar con grandes pesos después de que el modelo se haya ajustado?