Submitted by Ronildo Prado (ronisp@ufscar.br) on 2017-07-19T10:44:04Z No. of bitstreams: 1 TeseSRBJ.pdf: 5473127 bytes, checksum: 6ad9d0f7d24cadafbff18e445b8736d1 (MD5) / Approved for entry into archive by Ronildo Prado (ronisp@ufscar.br) on 2017-07-19T10:44:16Z (GMT) No. of bitstreams: 1 TeseSRBJ.pdf: 5473127 bytes, checksum: 6ad9d0f7d24cadafbff18e445b8736d1 (MD5) / Approved for entry into archive by Ronildo Prado (ronisp@ufscar.br) on 2017-07-19T10:44:27Z (GMT) No. of bitstreams: 1 TeseSRBJ.pdf: 5473127 bytes, checksum: 6ad9d0f7d24cadafbff18e445b8736d1 (MD5) / Made available in DSpace on 2017-07-19T10:45:12Z (GMT). No. of bitstreams: 1 TeseSRBJ.pdf: 5473127 bytes, checksum: 6ad9d0f7d24cadafbff18e445b8736d1 (MD5) Previous issue date: 2016-12-16 / Não recebi financiamento / Introduction. The datasets used in observational studies have instances belonging to two distinct groups (i.e. treatment group and control group), which are compared in order to estimate the effect of the treatment over the results. For such, in one of the approaches, called Propensity Score Matching (PSM), the propensity score for the instances of both groups is estimated and, subsequently, the correspondence of these instances is performed based on the values for the propensity score. The propensity score is the probability of attribution of a treatment based on the observed characteristics (e.g. income, sex and age). In this context, the logistic regression is widely used to estimate the propensity score and there is an great variety of instance correspondence methods. Objective. This doctor´s thesis has as its main objective to investigate computational alternatives in order to improve the quality of the instance correspondence in datasets that are manipulated in observational studies. Methodology. Techniques that estimate the propensity score and methods to perform the instance correspondence in observational studies were investigated. Thus, it was possible to investigate how the identical characteristics of the instances could be exploited in a new process to perform correspondence and, how ensembles could substitute the logistic regression by estimating the propensity scores of the instances, in the context of the PSM process. Proposal. This thesis proposes a new approach in the context of the PSM process, called “SEnsembles”, which aims to improve the quality of instance correspondence based on two main processes, which use techniques that separately consider the identical characteristics of the instances and the ensembles of regressors, more precisely, bagging, random forest and boosting. Results. The proposed approach “SEnsembles” improves the quality of the instance correspondence for the majority of calipers used (i.e. zero, 0.05, 0.10, 0.15, 0.20, 0.25 and 0.30) when compared to the baseline Nearest Neighbor Matching (NNM). Based on the experiments, when there was an improvement over the baseline, the technique that separates the identical characteristics of the instances presented improvements of up to 53.8% in the quality of correspondence, with an average of gains of 12.1%; and only 2.7% of average in the reduction of the number of pairs of instances matched. The technique which substituted the logistic regression for ensembles of regressors, in turn, presented the best correspondence with the caliper zero and with the values 0.20, 0.25 and 0.30, with improvements of up to 36.3% and an average of gains of 12.7%; and a slightly reduction of 7.6% in the number of pairs of instances matched. / Introdução. Os conjuntos de dados manipulados em estudos observacionais possuem instâncias pertencentes a dois grupos distintos (i.e. grupo de tratamento e grupo de controle), as quais são comparadas para estimar o efeito do tratamento sobre os resultados. Para isso, em uma das abordagens, chamada de Propensity Score Matching (PSM), estima-se o escore de propensão para as instâncias de ambos os grupos e, em seguida, efetua-se a correspondência dessas instâncias com base nos valores dos escores de propensão. O escore de propensão é a probabilidade de atribuição de um tratamento com base nas características observadas (por exemplo, renda, sexo e idade). Neste contexto, a regressão logística é amplamente utilizada para estimar o escore de propensão e há uma ampla variedade de métodos de correspondência de instâncias. Objetivo. Esta pesquisa de doutorado tem como objetivo principal investigar alternativas computacionais para melhorar a qualidade das correspondências de instâncias em conjuntos de dados que são manipulados em estudos observacionais. Metodologia. Investigou-se técnicas que estimam o escore de propensão e métodos para se efetuar a correspondência das instâncias em estudos observacionais. Assim, foi possível investigar como as características idênticas das instâncias poderiam ser exploradas em um novo processo de correspondência e, como ensembles, mais precisamente, bagging, random forest e boosting, poderiam substituir a regressão logística ao estimar os escores de propensão das instâncias, no contexto do processo de PSM. Proposta. Esta pesquisa propõe uma nova abordagem no contexto do processo PSM, denominada “SEnsembles”, que visa melhorar a qualidade da correspondência das instâncias com base em 2 processos principais, os quais utilizam técnicas que considerem em separado as características idênticas das instâncias e os ensembles de regressores, mais precisamente, bagging, random forest e boosting. Resultados. A abordagem proposta “SEnsembles” melhorou a qualidade da correspondência de instâncias para a maioria dos calipers utilizado (zero, 0,05, 0,10, 0,15, 0,20, 0,25 e 0,30) quando comparada ao baseline Nearest Neighbor Matching (NNM). Com base nos experimentos, quando houve ganho, a técnica que separa as características idênticas das instâncias proporcionou ganhos de até 53,8% na qualidade da correspondência, com média de 12,1% de melhoria e 2,7% de redução média do número de pares de instâncias correspondidas. Já a técnica que substituiu a regressão logística pelos ensembles proporcionou as melhores correspondências com o caliper zero e com os valores 0,20, 0,25 e 0,30, com ganhos de até 36,3% e, com média de 12,7% de melhoria e 7,6% de redução do número de pares de instâncias correspondidas.