{"id":{"repo_id":"athens","oai_identifier":"oai:lib.uoa.gr:uoadl:5317981"},"canonical_url":"https://search.ndltd.org/etd/athens/oai:lib.uoa.gr:uoadl:5317981","repository":{"repo_id":"athens","name":"National and Kapodistrian University of Athens","base_url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh"},"display":{"title":"Comparison of propensity score with traditional adjustment methods with application to HIV data","abstract":"Η παρούσα διπλωματική εργασία διερευνά το πώς οι μέθοδοι propensity score συγκρίνονται με τις παραδοσιακές μεθόδους adjustment κατά την ανάλυση μελετών παρατήρησης, με χρήση πραγματικών δεδομένων HIV από τη μελέτη AMACS στην Ελλάδα. Οι μελέτες παρατήρησης είναι χρήσιμες για την αναγνώριση συσχετίσεων, αλλά είναι ευάλωτες σε συγχυτικούς παράγοντες και σε διάφορες μορφές μεροληψίας λόγω της απουσίας τυχαιοποίησης. Οι μέθοδοι propensity score στοχεύουν στην δημιουργία ισορροπίας που επιτυγχάνεται φυσικά στις τυχαιοποιημένες κλινικές δοκιμές, επιτρέποντας έτσι μια πιο αξιόπιστη αιτιώδη ανάλυση. Στο πλαίσιο της εργασίας εξετάζονται διάφορες μέθοδοι εκτίμησης, όπως η «παραδοσιακή» παλινδρόμησης καθώς και οι δύο πιο ευρέως εφαρμοσμένες προσεγγίσεις propensity score (Propensity Score Matching και Inverse Probability Weighting). Επιπλέον αξιολογούνται και άλλες μέθοδοι matching, όπως το Mahalanobis distance matching και το Coarsened Exact Matching. Οι προσεγγίσεις αυτές εφαρμόζονται σε δεδομένα ασθενών με λοίμωξη HIV με σκοπό την εκτίμηση της μέσης επίδρασης στους θεραπευμένους (Average Treatment Effect on the Treated, ATT), συγκρίνοντας θεραπευτικά σχήματα βασισμένα σε INSTI με σχήματα βασισμένα σε PI. Τα δεδομένα περιλαμβάνουν δημογραφικά και κλινικά χαρακτηριστικά, όπως ο τρόπος μετάδοσης, τα επίπεδα CD4, το στάδιο της HIV λοίμωξης, το ιικό φορτίο και το έτος έναρξης της θεραπείας. Για την περαιτέρω αξιολόγηση της συνέπειας, της ακρίβειας και της ευρωστίας των μεθόδων, η εργασία ενσωματώνει μια εκτενή μελέτη προσομοίωσης. Συνολικά εξετάστηκαν 25 σενάρια για διαφορετικούς συνδυασμούς επιπέδων confounding(σύγχιση) και overlapping (επικάλυψη) και αξιολογήθηκε η απόδοση των μεθόδων με βάση δείκτες όπως το bias, το RMSE, το τυπικό σφάλμα, η πιθανότητα κάλυψης και η διατήρηση του δείγματος. Τα αποτελέσματα αποκαλύπτουν σημαντική μεταβλητότητα στην απόδοση των μεθόδων. Καμία προσέγγιση δεν αποδίδει βέλτιστα σε όλες τις συνθήκες. Το Propensity Score Matching επιτυγχάνει καλή εξισορρόπηση των μεταβλητών, αλλά συχνά οδηγεί σε απώλεια δείγματος. Το Inverse Probability Weighting εμφανίζει σταθερή απόδοση στα πραγματικά δεδομένα, αλλά παρουσιάζει διαφορετικά επίπεδα μεροληψίας στις προσομοιωμένες συνθήκες. Η γραμμική παλινδρόμηση αποδίδει καλά όταν υπάρχει επαρκής επικάλυψη μεταξύ των ομάδων. Το Coarsened Exact Matching παρουσιάζει αξιοσημείωτη απόδοση σε απαιτητικά σενάρια, ενώ το Mahalanobis distance matching είναι ιδιαίτερα ευαίσθητο στον ορισμό του μοντέλου και στον αριθμό των συμμεταβλητών. Συνολικά, η εργασία καταλήγει ότι η προσεκτική διαγνωστική ανάλυση, ο σωστλος ορισμός του μοντέλου και η αξιολόγηση των επιπέδων confounding και overlapping αποτελούν κρίσιμα βήματα πριν από την επιλογή οποιασδήποτε μεθόδου εκτίμησης. Παρότι οι πιο πολύπλοκες μέθοδοι μπορεί σε ορισμένες περιπτώσεις να προσφέρουν πιο συντηρητικές εκτιμήσεις, οι απλούστερες προσεγγίσεις, όπως η γραμμική παλινδρόμηση, παραμένουν ιδιαίτερα χρήσιμες και δεν πρέπει να παραβλέπονται. Τελικά, οι μέθοδοι πρέπει να θεωρούνται συμπληρωματικά εργαλεία και όχι ανταγωνιστικές προσεγγίσεις, ενώ η αξιοπιστία των αιτιωδών εκτιμήσεων εξαρτάται περισσότερο από την κατάλληλη εφαρμογή και τα χαρακτηριστικά των δεδομένων παρά από τον βαθμό πολυπλοκότητας της μεθοδολογίας.","abstract_html":"Η παρούσα διπλωματική εργασία διερευνά το πώς οι μέθοδοι propensity score συγκρίνονται με τις παραδοσιακές μεθόδους adjustment κατά την ανάλυση μελετών παρατήρησης, με χρήση πραγματικών δεδομένων HIV από τη μελέτη AMACS στην Ελλάδα. Οι μελέτες παρατήρησης είναι χρήσιμες για την αναγνώριση συσχετίσεων, αλλά είναι ευάλωτες σε συγχυτικούς παράγοντες και σε διάφορες μορφές μεροληψίας λόγω της απουσίας τυχαιοποίησης. Οι μέθοδοι propensity score στοχεύουν στην δημιουργία ισορροπίας που επιτυγχάνεται φυσικά στις τυχαιοποιημένες κλινικές δοκιμές, επιτρέποντας έτσι μια πιο αξιόπιστη αιτιώδη ανάλυση. Στο πλαίσιο της εργασίας εξετάζονται διάφορες μέθοδοι εκτίμησης, όπως η «παραδοσιακή» παλινδρόμησης καθώς και οι δύο πιο ευρέως εφαρμοσμένες προσεγγίσεις propensity score (Propensity Score Matching και Inverse Probability Weighting). Επιπλέον αξιολογούνται και άλλες μέθοδοι matching, όπως το Mahalanobis distance matching και το Coarsened Exact Matching. Οι προσεγγίσεις αυτές εφαρμόζονται σε δεδομένα ασθενών με λοίμωξη HIV με σκοπό την εκτίμηση της μέσης επίδρασης στους θεραπευμένους (Average Treatment Effect on the Treated, ATT), συγκρίνοντας θεραπευτικά σχήματα βασισμένα σε INSTI με σχήματα βασισμένα σε PI. Τα δεδομένα περιλαμβάνουν δημογραφικά και κλινικά χαρακτηριστικά, όπως ο τρόπος μετάδοσης, τα επίπεδα CD4, το στάδιο της HIV λοίμωξης, το ιικό φορτίο και το έτος έναρξης της θεραπείας. Για την περαιτέρω αξιολόγηση της συνέπειας, της ακρίβειας και της ευρωστίας των μεθόδων, η εργασία ενσωματώνει μια εκτενή μελέτη προσομοίωσης. Συνολικά εξετάστηκαν 25 σενάρια για διαφορετικούς συνδυασμούς επιπέδων confounding(σύγχιση) και overlapping (επικάλυψη) και αξιολογήθηκε η απόδοση των μεθόδων με βάση δείκτες όπως το bias, το RMSE, το τυπικό σφάλμα, η πιθανότητα κάλυψης και η διατήρηση του δείγματος. Τα αποτελέσματα αποκαλύπτουν σημαντική μεταβλητότητα στην απόδοση των μεθόδων. Καμία προσέγγιση δεν αποδίδει βέλτιστα σε όλες τις συνθήκες. Το Propensity Score Matching επιτυγχάνει καλή εξισορρόπηση των μεταβλητών, αλλά συχνά οδηγεί σε απώλεια δείγματος. Το Inverse Probability Weighting εμφανίζει σταθερή απόδοση στα πραγματικά δεδομένα, αλλά παρουσιάζει διαφορετικά επίπεδα μεροληψίας στις προσομοιωμένες συνθήκες. Η γραμμική παλινδρόμηση αποδίδει καλά όταν υπάρχει επαρκής επικάλυψη μεταξύ των ομάδων. Το Coarsened Exact Matching παρουσιάζει αξιοσημείωτη απόδοση σε απαιτητικά σενάρια, ενώ το Mahalanobis distance matching είναι ιδιαίτερα ευαίσθητο στον ορισμό του μοντέλου και στον αριθμό των συμμεταβλητών. Συνολικά, η εργασία καταλήγει ότι η προσεκτική διαγνωστική ανάλυση, ο σωστλος ορισμός του μοντέλου και η αξιολόγηση των επιπέδων confounding και overlapping αποτελούν κρίσιμα βήματα πριν από την επιλογή οποιασδήποτε μεθόδου εκτίμησης. Παρότι οι πιο πολύπλοκες μέθοδοι μπορεί σε ορισμένες περιπτώσεις να προσφέρουν πιο συντηρητικές εκτιμήσεις, οι απλούστερες προσεγγίσεις, όπως η γραμμική παλινδρόμηση, παραμένουν ιδιαίτερα χρήσιμες και δεν πρέπει να παραβλέπονται. Τελικά, οι μέθοδοι πρέπει να θεωρούνται συμπληρωματικά εργαλεία και όχι ανταγωνιστικές προσεγγίσεις, ενώ η αξιοπιστία των αιτιωδών εκτιμήσεων εξαρτάται περισσότερο από την κατάλληλη εφαρμογή και τα χαρακτηριστικά των δεδομένων παρά από τον βαθμό πολυπλοκότητας της μεθοδολογίας.","abstract_has_math":false,"creators":["Ρέβελου Αγγελική","Revelou Angeliki"],"institution":null,"degree_name":null,"degree_level":null,"degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":[],"committee_chairs":[],"committee_members":[],"year":2025,"date_issued":"2025","date_published":"2025","updated_at":"2026-11-19T06:41:22Z","subjects":["Επιστήμες Υγείας","Health Sciences"],"languages":["English"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:5317981"],"render_values":[{"text":"uoadl:5317981","href":null,"code":true}]}],"person_identifier_entries":[]},"links":{"outbound_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/5317981","outbound_label":"Repository record","outbound_source":"dc:identifier","record_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/5317981","record_label":"Repository record","record_kind":"record","record_source":"dc:identifier","download_url":null,"download_label":null,"download_source":null,"access_status":null,"embargo_until":null,"access_note":null},"source_record":{"url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh?verb=GetRecord&metadataPrefix=oai_dc&identifier=oai%3Alib.uoa.gr%3Auoadl%3A5317981","prefix":"oai_dc"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["Ρέβελου Αγγελική","Revelou Angeliki"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date","label":"Dc Date","values":["2025"]},{"key":"dc:type","label":"Dc Type","values":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]}]},{"id":"subjects_keywords","label":"Subjects and Keywords","entries":[{"key":"dc:subject","label":"Dc Subject","values":["Επιστήμες Υγείας","Health Sciences"]}]},{"id":"language_rights","label":"Language and Rights","entries":[{"key":"dc:language","label":"Dc Language","values":["English"]}]},{"id":"identifiers","label":"Identifiers","entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:5317981","https://pergamos.lib.uoa.gr/uoa/dl/object/5317981"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["Η παρούσα διπλωματική εργασία διερευνά το πώς οι μέθοδοι propensity score συγκρίνονται με τις παραδοσιακές μεθόδους adjustment κατά την ανάλυση μελετών παρατήρησης, με χρήση πραγματικών δεδομένων HIV από τη μελέτη AMACS στην Ελλάδα. Οι μελέτες παρατήρησης είναι χρήσιμες για την αναγνώριση συσχετίσεων, αλλά είναι ευάλωτες σε συγχυτικούς παράγοντες και σε διάφορες μορφές μεροληψίας λόγω της απουσίας τυχαιοποίησης. Οι μέθοδοι propensity score στοχεύουν στην δημιουργία ισορροπίας που επιτυγχάνεται φυσικά στις τυχαιοποιημένες κλινικές δοκιμές, επιτρέποντας έτσι μια πιο αξιόπιστη αιτιώδη ανάλυση. Στο πλαίσιο της εργασίας εξετάζονται διάφορες μέθοδοι εκτίμησης, όπως η «παραδοσιακή» παλινδρόμησης καθώς και οι δύο πιο ευρέως εφαρμοσμένες προσεγγίσεις propensity score (Propensity Score Matching και Inverse Probability Weighting). Επιπλέον αξιολογούνται και άλλες μέθοδοι matching, όπως το Mahalanobis distance matching και το Coarsened Exact Matching. Οι προσεγγίσεις αυτές εφαρμόζονται σε δεδομένα ασθενών με λοίμωξη HIV με σκοπό την εκτίμηση της μέσης επίδρασης στους θεραπευμένους (Average Treatment Effect on the Treated, ATT), συγκρίνοντας θεραπευτικά σχήματα βασισμένα σε INSTI με σχήματα βασισμένα σε PI. Τα δεδομένα περιλαμβάνουν δημογραφικά και κλινικά χαρακτηριστικά, όπως ο τρόπος μετάδοσης, τα επίπεδα CD4, το στάδιο της HIV λοίμωξης, το ιικό φορτίο και το έτος έναρξης της θεραπείας. Για την περαιτέρω αξιολόγηση της συνέπειας, της ακρίβειας και της ευρωστίας των μεθόδων, η εργασία ενσωματώνει μια εκτενή μελέτη προσομοίωσης. Συνολικά εξετάστηκαν 25 σενάρια για διαφορετικούς συνδυασμούς επιπέδων confounding(σύγχιση) και overlapping (επικάλυψη) και αξιολογήθηκε η απόδοση των μεθόδων με βάση δείκτες όπως το bias, το RMSE, το τυπικό σφάλμα, η πιθανότητα κάλυψης και η διατήρηση του δείγματος. Τα αποτελέσματα αποκαλύπτουν σημαντική μεταβλητότητα στην απόδοση των μεθόδων. Καμία προσέγγιση δεν αποδίδει βέλτιστα σε όλες τις συνθήκες. Το Propensity Score Matching επιτυγχάνει καλή εξισορρόπηση των μεταβλητών, αλλά συχνά οδηγεί σε απώλεια δείγματος. Το Inverse Probability Weighting εμφανίζει σταθερή απόδοση στα πραγματικά δεδομένα, αλλά παρουσιάζει διαφορετικά επίπεδα μεροληψίας στις προσομοιωμένες συνθήκες. Η γραμμική παλινδρόμηση αποδίδει καλά όταν υπάρχει επαρκής επικάλυψη μεταξύ των ομάδων. Το Coarsened Exact Matching παρουσιάζει αξιοσημείωτη απόδοση σε απαιτητικά σενάρια, ενώ το Mahalanobis distance matching είναι ιδιαίτερα ευαίσθητο στον ορισμό του μοντέλου και στον αριθμό των συμμεταβλητών. Συνολικά, η εργασία καταλήγει ότι η προσεκτική διαγνωστική ανάλυση, ο σωστλος ορισμός του μοντέλου και η αξιολόγηση των επιπέδων confounding και overlapping αποτελούν κρίσιμα βήματα πριν από την επιλογή οποιασδήποτε μεθόδου εκτίμησης. Παρότι οι πιο πολύπλοκες μέθοδοι μπορεί σε ορισμένες περιπτώσεις να προσφέρουν πιο συντηρητικές εκτιμήσεις, οι απλούστερες προσεγγίσεις, όπως η γραμμική παλινδρόμηση, παραμένουν ιδιαίτερα χρήσιμες και δεν πρέπει να παραβλέπονται. Τελικά, οι μέθοδοι πρέπει να θεωρούνται συμπληρωματικά εργαλεία και όχι ανταγωνιστικές προσεγγίσεις, ενώ η αξιοπιστία των αιτιωδών εκτιμήσεων εξαρτάται περισσότερο από την κατάλληλη εφαρμογή και τα χαρακτηριστικά των δεδομένων παρά από τον βαθμό πολυπλοκότητας της μεθοδολογίας.","This thesis investigates how propensity score methods compare with traditional adjustment approaches when analyzing observational studies, using real HIV data from the AMACS cohort in Greece. Observational studies are useful for identifying associations but are vulnerable to confounding and various forms of bias due to lack of randomization. Propensity score methods aim to recreate the balance that randomized clinical trials achieve naturally, allowing for more reliable causal inference. In the course of this work several estimation strategies are examined, including traditional regression-based models and the two most applied approaches of propensity score (Propensity Score Matching and Inverse Probability Weighting). Additional mmatching methods, like Mahalanobis distance matching and Coarsened Exact Matching, are also evaluated. These approaches are applied to HIV patient data to estimate the Average Treatment Effect on the Treated (ATT), comparing INSTI-based antiretroviral regimens with PI-based regimens. The dataset includes demographic and clinical characteristics such as mode of transmission, CD4 levels, stage of HIV infection, viral load, and year of therapy initiation. To further assess the consistency, accuracy, and robustness of the methods, the thesis incorporates an extensive simulation study. This simulation framework varies the degree of confounding and covariate overlap across 25 scenarios and evaluates performance using indicators such as bias, RMSE, standard error, coverage probability, and sample retention. The findings reveal substantial variability in the performance of the methods. No single approach performs optimally across all conditions. Propensity Score Matching provides good covariate balance but often results in sample loss. Inverse Probability Weighting exhibits stable performance on real data but shows differing levels of bias in the simulated settings. Linear regression performs well when covariate overlap is adequate. Coarsened Exact Matching performs surprisingly well in demanding scenarios, while Mahalanobis distance matching is sensitive to model specification and the number of covariates included. Overall, the thesis concludes that careful diagnostics, thoughtful model specification, and proper evaluation of confounding and overlap are crucial before selecting an estimation method. Although complex methods may sometimes provide more conservative estimates, simpler methods like linear regression remain valuable and should not be overlooked. Ultimately, the methods should be viewed as complementary tools rather than competitors, and the reliability of causal estimates depends more on appropriate implementation and data characteristics than on methodological sophistication."]},{"key":"dc:title","label":"Title","values":["Comparison of propensity score with traditional adjustment methods with application to HIV data"]}]}],"canonical_facts":{"dc:creator":["Ρέβελου Αγγελική","Revelou Angeliki"],"dc:date":["2025"],"dc:description":["Η παρούσα διπλωματική εργασία διερευνά το πώς οι μέθοδοι propensity score συγκρίνονται με τις παραδοσιακές μεθόδους adjustment κατά την ανάλυση μελετών παρατήρησης, με χρήση πραγματικών δεδομένων HIV από τη μελέτη AMACS στην Ελλάδα. Οι μελέτες παρατήρησης είναι χρήσιμες για την αναγνώριση συσχετίσεων, αλλά είναι ευάλωτες σε συγχυτικούς παράγοντες και σε διάφορες μορφές μεροληψίας λόγω της απουσίας τυχαιοποίησης. Οι μέθοδοι propensity score στοχεύουν στην δημιουργία ισορροπίας που επιτυγχάνεται φυσικά στις τυχαιοποιημένες κλινικές δοκιμές, επιτρέποντας έτσι μια πιο αξιόπιστη αιτιώδη ανάλυση. Στο πλαίσιο της εργασίας εξετάζονται διάφορες μέθοδοι εκτίμησης, όπως η «παραδοσιακή» παλινδρόμησης καθώς και οι δύο πιο ευρέως εφαρμοσμένες προσεγγίσεις propensity score (Propensity Score Matching και Inverse Probability Weighting). Επιπλέον αξιολογούνται και άλλες μέθοδοι matching, όπως το Mahalanobis distance matching και το Coarsened Exact Matching. Οι προσεγγίσεις αυτές εφαρμόζονται σε δεδομένα ασθενών με λοίμωξη HIV με σκοπό την εκτίμηση της μέσης επίδρασης στους θεραπευμένους (Average Treatment Effect on the Treated, ATT), συγκρίνοντας θεραπευτικά σχήματα βασισμένα σε INSTI με σχήματα βασισμένα σε PI. Τα δεδομένα περιλαμβάνουν δημογραφικά και κλινικά χαρακτηριστικά, όπως ο τρόπος μετάδοσης, τα επίπεδα CD4, το στάδιο της HIV λοίμωξης, το ιικό φορτίο και το έτος έναρξης της θεραπείας. Για την περαιτέρω αξιολόγηση της συνέπειας, της ακρίβειας και της ευρωστίας των μεθόδων, η εργασία ενσωματώνει μια εκτενή μελέτη προσομοίωσης. Συνολικά εξετάστηκαν 25 σενάρια για διαφορετικούς συνδυασμούς επιπέδων confounding(σύγχιση) και overlapping (επικάλυψη) και αξιολογήθηκε η απόδοση των μεθόδων με βάση δείκτες όπως το bias, το RMSE, το τυπικό σφάλμα, η πιθανότητα κάλυψης και η διατήρηση του δείγματος. Τα αποτελέσματα αποκαλύπτουν σημαντική μεταβλητότητα στην απόδοση των μεθόδων. Καμία προσέγγιση δεν αποδίδει βέλτιστα σε όλες τις συνθήκες. Το Propensity Score Matching επιτυγχάνει καλή εξισορρόπηση των μεταβλητών, αλλά συχνά οδηγεί σε απώλεια δείγματος. Το Inverse Probability Weighting εμφανίζει σταθερή απόδοση στα πραγματικά δεδομένα, αλλά παρουσιάζει διαφορετικά επίπεδα μεροληψίας στις προσομοιωμένες συνθήκες. Η γραμμική παλινδρόμηση αποδίδει καλά όταν υπάρχει επαρκής επικάλυψη μεταξύ των ομάδων. Το Coarsened Exact Matching παρουσιάζει αξιοσημείωτη απόδοση σε απαιτητικά σενάρια, ενώ το Mahalanobis distance matching είναι ιδιαίτερα ευαίσθητο στον ορισμό του μοντέλου και στον αριθμό των συμμεταβλητών. Συνολικά, η εργασία καταλήγει ότι η προσεκτική διαγνωστική ανάλυση, ο σωστλος ορισμός του μοντέλου και η αξιολόγηση των επιπέδων confounding και overlapping αποτελούν κρίσιμα βήματα πριν από την επιλογή οποιασδήποτε μεθόδου εκτίμησης. Παρότι οι πιο πολύπλοκες μέθοδοι μπορεί σε ορισμένες περιπτώσεις να προσφέρουν πιο συντηρητικές εκτιμήσεις, οι απλούστερες προσεγγίσεις, όπως η γραμμική παλινδρόμηση, παραμένουν ιδιαίτερα χρήσιμες και δεν πρέπει να παραβλέπονται. Τελικά, οι μέθοδοι πρέπει να θεωρούνται συμπληρωματικά εργαλεία και όχι ανταγωνιστικές προσεγγίσεις, ενώ η αξιοπιστία των αιτιωδών εκτιμήσεων εξαρτάται περισσότερο από την κατάλληλη εφαρμογή και τα χαρακτηριστικά των δεδομένων παρά από τον βαθμό πολυπλοκότητας της μεθοδολογίας.","This thesis investigates how propensity score methods compare with traditional adjustment approaches when analyzing observational studies, using real HIV data from the AMACS cohort in Greece. Observational studies are useful for identifying associations but are vulnerable to confounding and various forms of bias due to lack of randomization. Propensity score methods aim to recreate the balance that randomized clinical trials achieve naturally, allowing for more reliable causal inference. In the course of this work several estimation strategies are examined, including traditional regression-based models and the two most applied approaches of propensity score (Propensity Score Matching and Inverse Probability Weighting). Additional mmatching methods, like Mahalanobis distance matching and Coarsened Exact Matching, are also evaluated. These approaches are applied to HIV patient data to estimate the Average Treatment Effect on the Treated (ATT), comparing INSTI-based antiretroviral regimens with PI-based regimens. The dataset includes demographic and clinical characteristics such as mode of transmission, CD4 levels, stage of HIV infection, viral load, and year of therapy initiation. To further assess the consistency, accuracy, and robustness of the methods, the thesis incorporates an extensive simulation study. This simulation framework varies the degree of confounding and covariate overlap across 25 scenarios and evaluates performance using indicators such as bias, RMSE, standard error, coverage probability, and sample retention. The findings reveal substantial variability in the performance of the methods. No single approach performs optimally across all conditions. Propensity Score Matching provides good covariate balance but often results in sample loss. Inverse Probability Weighting exhibits stable performance on real data but shows differing levels of bias in the simulated settings. Linear regression performs well when covariate overlap is adequate. Coarsened Exact Matching performs surprisingly well in demanding scenarios, while Mahalanobis distance matching is sensitive to model specification and the number of covariates included. Overall, the thesis concludes that careful diagnostics, thoughtful model specification, and proper evaluation of confounding and overlap are crucial before selecting an estimation method. Although complex methods may sometimes provide more conservative estimates, simpler methods like linear regression remain valuable and should not be overlooked. Ultimately, the methods should be viewed as complementary tools rather than competitors, and the reliability of causal estimates depends more on appropriate implementation and data characteristics than on methodological sophistication."],"dc:identifier":["uoadl:5317981","https://pergamos.lib.uoa.gr/uoa/dl/object/5317981"],"dc:language":["English"],"dc:subject":["Επιστήμες Υγείας","Health Sciences"],"dc:title":["Comparison of propensity score with traditional adjustment methods with application to HIV data"],"dc:type":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]},"updated_at":"2026-11-19T06:41:22Z"}