Травматический пистолет ПСМ-Р под патрон калибра 9мм, технические характеристики ТТХ, обзор и отзывы владельцев травмата

К любому травматическому пистолету применяются другие законодательные критерии, нежели к боевому. Первое, на что обращают внимание производители при проектировании новой травматики — ствол. Оружию для самообороны не нужна высокая точность при стрельбе на расстоянии 40-50 метров, поэтому инженеры сокращают длину ствола, чтобы уменьшить пистолет в целом, снизить его вес.

Однако многие компании, занимающиеся производством травматического оружия, не пытаются сделать его компактнее. С одной стороны, длинный ствол обеспечивает большой разгон пули, что делает выстрелы более эффективными, но стоит ли оно того? Ведь если травматика берётся для регулярного ношения, придётся долго испытывать дискомфорт из-за килограммового орудия, которое постоянно висит сбоку.

Конечно, есть и компактная травматика. Одним из хороших примеров является пистолет ПСМ-Р, который относится с компактному оружию и разработан на базе боевого ПСМ.

Содержание

Сравнивая с основными конкурентами, можно смело сказать, что данное малогабаритное оружие выигрывает по многим показателям. Первое, на что обращает внимание каждый покупатель — маленькая толщина.

В первую очередь, это позволяет комфортно переносить данное оружие либо в обычной кобуре, либо даже в кармане летних брюк. Для оружия для самообороны это несомненный плюс. Человеку не придётся долго привыкать носить его с собой, чего не скажешь о крупногабаритных травматических пистолетах.

Но есть и обратная сторона медали. Малая толщина не позволяет удобно удерживать в руках травматический пистолет ПСМ. Длины рукояти ещё хватает, чтобы удобно ухватиться за него, но вот толщина создаёт определённый дискомфорт, к чему придётся привыкать.

Также это сказывается на отдаче при стрельбе. Она ощутима из-за низкого веса пистолета. Чтобы привыкнуть к ней и вести точную стрельбу, нужно будет провести несколько тренировочных стрельбищ.

В целом, ПСМ-Р полностью похож на свой боевой аналог, обладает хорошими техническими характеристиками. Внешние отличия заключаются только в боковых надписях, что присуще любой адаптации боевого орудия, и в накладках на рукояти.

Кроме внешнего сходства, здесь присутствует и большое внутреннее сходство. Все любители оружия знают, что боевой ПСМ делался под использование слабых зарядов, мощность которых даже ниже некоторых несертифицированных травматических боеприпасов. Именно поэтому в пистолете ПСМ-Р многое, за исключением ствола, полностью схоже с боевым аналогом, а также при производстве используются те же самые материалы.

Особенности боевого аналога

Боевой патрон 5,45х18, используемый при стрельбе из аналога травматического орудия, имел крайне невысокую дульную энергию, которая в разных вариантах пистолета составляла 125 и 140 Дж. Изначально данное оружие рассчитано на среднюю нагрузку.

Конечно, можно заставить работать оружие на максимуме своих возможностей, но использование зарядов, не указанных в документации, преследуется законом. Да и вообще, зачем ломать хороший пистолет, если его энергии хватает для эффективной стрельбы?

Инженеры, занимающиеся проектированием этого пистолета, постарались сделать всё, чтобы избавить «энтузиастов» от возможности переделывания травматики обратно в боевое орудие. Но известны случаи, когда правоохранительные органы изымали экземпляры травматических ПСМ, которые работали по боевой системе. Каждый человек должен понимать, что после такой переделки можно обзавестись серьёзными проблемами с законом.

Честно говоря, если использовать несертефицированные боевые заряды, пистолет ПСМ-Р будет стрелять даже лучше, чем боевой аналог, но нужно помнить, что законодательство запрещает совершение таких шагов.

Конструкция ПСМ-Р

Пистолет ПСМ-Р, как и его боевой аналог, построен на основе распространённой оружейной схемы свободного затвора. Многие компактные травматические пистолеты лишаются предохранителя, однако, данное орудие стало исключением в этом плане. Разработчикам удалось поместить флажок предохранителя так удачно, что он не мешает владельцу свободно извлекать оружие из кармана или из кобуры, а также его предохранитель удобно активировать естественным движением большого пальца.

Ударно-спусковой механизм выполнен по принципу двойного действия, имеет курковой тип. Одиночный огонь можно вести как с предварительным взведением курка, так и без этого. Сам курок располагается на задней части рамки, а под ним размещаются боевая пружина, шептало и тяга курка. После покупки УСМ не нужно доводить, на заводе его выполняют качественно.

Ствол малогабаритного пистолета крепится в середине рамки. Канал ствола запирается силой инерции затвора и силой возвратной пружины. Специалисты рекомендуют после покупки провести дополнительную шлифовку канала ствола, чтобы увеличить запас рабочего ресурса.

Некоторые покупатели меняют накладки на рукояти. Как правило, делают выбор в пользую «щёчек» с боевого ПСМ. Трудно сказать, делает ли это использование пистолета лучше, ведь это дело вкуса, но внешне пистолет становится полностью идентичным оригинальному ПСМ.

Технические характеристики этого орудия следующие:

  • Для стрельбы используются патроны калибра 9 мм РА;
  • Длина ствола пистолета составляет 85 миллиметров;
  • Общая длина пистолета составляет 155 миллиметров;
  • Высота пистолета составляет 120 миллиметров;
  • Ширина пистолета составляет 20 миллиметров;
  • Вес разряженного пистолета составляет 440 грамм;
  • Вес заряженного пистолета составляет 500 грамм;
  • Максимальная эффективность стрельбы достигается на расстоянии 5-7 метров;
  • Магазин вмещает в себя до 6 патронов.

В целом, данное орудие обладает отличными показателями ТТХ, которые выделяют его на фоне конкурентов, относящихся к категории компактного травматического оружия.

Осматривая данный пистолет внешне, многие сразу понимают, что он лишён рычага затворной задержки, однако, это не совсем так. О том, как он реализован, нужно узнать заранее, иначе затворную задержку здесь можно принять за заводской брак.

Даже при отсутствии рычага, орудие можно ставить и снимать на затворную задержку. Чтобы снять с неё, нужно извлечь магазин, оттянуть затвор назад и затем завести его вперёд. В целом, каждый любитель оружия по-разному относится именно к такому варианту реализации данной системы. Многие не могут понять, зачем реализовывать затворную задержку именно так, если при её наличии приходится проделывать столько же действий, сколь и без неё. Многие просто пришли к выводу, что разработчики решили сделать уникальную особенность в своём орудии, чтобы оно выделялось на фоне других.

Практическое использование ПСМ-Р

В первую очередь, стоит упомянуть о том, что использование разрешённых патронов вполне приемлемо на практике, все механизмы работают отлично, оружие не заедает и не ломается. Если же кому-то захочется использовать мощные патроны, то придётся проделать множество работ, в отличие от простой замены возвратной пружины, как это принято во многих видах травматики. Придётся изменять диаметр ствола и делать ряд других незаконных манипуляций.

Эффективность стрельбы разрешёнными патронами — спорный вопрос. Каждый потенциальный покупатель должен знать, что полностью обезвредить нападающего с использованием ПСМ-Р очень трудно, но зато минимален риск иметь проблемы с законом после самообороны.

Дульная энергия составляет всего лишь 50 Джоулей. Её хватит, чтобы нанести существенный вред в тёплое время года, однако зимой пробить несколько слоёв одежды вряд ли получится. Именно это вынуждает многих владельцев преступать закон и использовать несертифицированные заряды.

Какой можно сделать вывод?

ПСМ-Р является надёжным орудием средней мощности. Лучше всего он подойдёт тем людям, которые находятся в поисках второго оружия для самообороны. 50 Джоулей вполне хватит, когда все патроны основного орудия израсходованы.

Купив данное оружие, не нужно проделывать никакую доводку, за исключением небольшой шлифовки ствола, но это по желанию. Орудие полностью готово к использованию, его остаётся только зарядить и можно переносить с собой. Оно обладает отличными техническими характеристиками, высоким запасом рабочего ресурса.

Купив данное малогабаритное орудие, крайне не рекомендуем вам использовать мощные патроны, изменять конструкцию пистолета, так как из-за этого у вас могут возникнуть проблемы с законом, особенно если придётся использовать данное оружие на практике в критической ситуации.

Шланг для душа ПСМ АТ 150 р-и (рус-импорт) Россия М22 G 1/2

Главная Лейки и шланги для душа Шланг для душа ПСМ АТ 150 Р-И к смесителю для ванны-душа Россия-импорт

Артикул: PSMAT-150Ri

  • Описание
  • Отзывы
  • Характеристики

Шланг для душа ПСМ-Профсан 150 см М22х1/2″ (рус/имп) армированный

 Душевой шланг по своей конструкции полностью идентичен всей серии ПСМ АТ 150 и является высокотехнологичным соединительным элементом между смесителем для ванны-душа с лейкой. Душевой шланг ПСМ АТ 150 Р-И предназначен для соединения Отечественных смесителей с выпуском под М 22/1 и совместным подключением лейки с импортной резьбой G 1/2.

Производство шлангов для душа осуществляется по технологии «Deutsche Wasser Technologien». Основным отличием от шлангов других производителей является высокая надежность — внутренняя трубка шланга ПСМ АТ 150 Р-И сделана из специальной пищевой резины (этилен-пропиленовый каучук EPDM). Трубка одета в защитную оплетку из синтетической нити.

 Шланг для душа ПСМ АТ 150 Р-И Отечественного производства особенно удобен в ежедневном использовании и не требует дополнительного ухода. Неоспоримые преимущества шланга перед иными производителями:

  • не теряет эластичность при перепадах температур от +5 до 80 C°.
  • надежная конструкция шланга с применением дополнительной оплетки
  • длина душевого шланга 150 см.
  • применим для смесителей Российского и советского производства с выпуском для душа под резьбовое соединение М 22/1.
  • резьба для лейка G 1/2 (импортный стандарт). 

 Шланг для душа ПСМ АТ 150 Р-И для смесителя купить оптом,  цена указанна розничная.

 ПСМ АТ 150 Р-И (соединение Рус-Импорт) шланг для душа к смесителю Отечественного производства характеристики:

  • длина — 150 см
  • резьбовая часть к смесителю — М 22 (для смесителей Российского и старого советского производства)
  • резьбовая часть к лейке G 1/2 (к лейке импортного производства)
  • внутренняя трубка армированная синтетической нитью
  • внешняя оплётка из нержавеющей стали с двойным замком
  • максимальная температура горячей воды — до 80 C°

Заполните обязательные поля *.

Шланг для душа ПрофСан ПСМ АТ 150 Р-Р М-22 Россия армированный

ПрофСан (Россия)

Шланг для душа 150 см рус-рус S 150 SOLO

RM

Шланг для душа м-22 G 1/2 150 см SOLO S 150

RM

Шланг для душа ПСМ-АТ-150 И-И для импортных смесителей

ПрофСан (Россия)

Смеситель для душа ПСМ-109-К/89 с лейкой и шлангом

ПрофСан (Россия)

3 300

2 260

Душевая лейка ПСМ 1055 треугольная G-1/2

RM

Лейка для душа 1078-рус для отечественных душ/шлангов М-22

RM

240

140

 

Купить в один клик

  • Я согласен(на) на обработку моих персональных данных.  Подробнее

Назад

R Учебное пособие 8. Сопоставление показателей склонности

  • 1 Предварительный анализ с использованием несовпадающих данных
    • 1.1 Разница в средних: переменная результата
    • 1.2 Разница средних: ковариаты до лечения
  • 2 Оценка показателя склонности
    • 2.1 Исследование области общей поддержки
  • 3 Выполнение алгоритма сопоставления
  • 4 Проверка баланса ковариат в подобранной выборке
    • 4.1 Визуальный осмотр
    • 4.2 Разница в средствах
    • 4.3 Средняя абсолютная стандартизированная разница
  • 5 Оценка эффектов лечения
  • 6 Упражнение

В этом уроке мы проанализируем влияние посещения католической школы, в отличие от государственной, на успеваемость учащихся. Поскольку учащиеся, посещающие католическую школу, в среднем отличаются от учащихся, посещающих государственную школу, мы будем использовать сопоставление баллов склонности, чтобы получить более достоверные причинно-следственные оценки католического школьного образования.

ОБНОВЛЕНИЕ: Многие люди просили предоставить данные, используемые в этом руководстве. Чтобы получить используемый ниже набор данных (ecls.csv), следуйте приведенным здесь инструкциям.

Чтобы изучить влияние посещения католической школы («Лечение») по сравнению с государственной школой («Контроль») на успеваемость учащихся с помощью сопоставления, мы выполним следующие шаги:

  1. Оценим показатель склонности (вероятность прохождения задан набор ковариат до обработки).
  2. Проверить область общей поддержки.
  3. Выберите и выполните алгоритм сопоставления. В этом уроке мы будем использовать сопоставление оценки склонности ближайших соседей.
  4. Проверить баланс ковариата после сопоставления .
  5. Оценка эффектов лечения.

Кроме того, перед внедрением метода сопоставления мы проведем следующий анализ с использованием несовпадающих данных:

  • Изучите разницу в средних значениях между обработанными и контрольными для переменной результата.
  • Изучите разницу в средних между обработанными и контрольными ковариатами до лечения.

Прежде чем мы начнем, загрузите несколько пакетов и прочитайте в ecls.csv:

 библиотека (MatchIt)
библиотека (dplyr)
библиотека (ggplot2)
ecls <- read.csv("ecls.csv")

1.1 Разница в средних: переменная результата

Вот некоторая основная информация об успеваемости учащихся государственных и католических школ по математике. Обратите внимание, что мы используем стандартизированный балл учащихся по математике ( c5r2mtsc_std ) — со средним значением 0 и стандартным отклонением 1 — в качестве интересующей переменной результата. Независимая интересующая переменная равна католических (1 = учащийся посещал католическую школу; 0 = учащийся посещал государственную школу).

 экл %>%
  group_by(католик) %>%
  суммировать (n_students = n(),
            среднее_математика = среднее (c5r2mtsc_std),
            std_error = sd(c5r2mtsc_std) / sqrt(n_students)) 
 ## # Набор символов: 2 × 4
## католик n_students mean_math std_error
##    
## 1 0 9568 -0,03059583 0,01038536
## 2 1 1510 0,19386817 0,02235282

Обратите внимание, что переменная результата была стандартизирована (среднее значение = 0, стандартное отклонение = 1). Это часто встречается в исследованиях в области образования. В приведенной выше сводной таблице показано, что средний балл по математике учащихся 3-го класса католической школы более чем на 20% от стандартного отклонения выше, чем у учащихся государственных школ. Это можно было бы рассчитать с использованием нестандартизированной переменной результата следующим образом:

 ecls %>%
  mutate(test = (c5r2mtsc - mean(c5r2mtsc)) / sd(c5r2mtsc)) %>% # вот как стандартизируется оценка по математике
  group_by(католик) %>%
  суммировать (среднее_математика = среднее (тест)) 
 ## # Тиббл: 2 × 2
## католическая средняя_математика
## <целое> 
## 1 0 -0,03059583
## 2 1 0,19386817

Разница в средних статистически значима при обычных уровнях достоверности (что также видно из приведенной выше небольшой стандартной ошибки):

 ##
## Welch Two Sample t-критерий
##
## данные: c5r2mtsc_std от католика
## t = -9,1069, df = 2214,5, значение p < 2,2e-16
## альтернативная гипотеза: истинная разница в средних не равна 0
## 95-процентный доверительный интервал:
## -0,2727988 -0,1761292
## примерные оценки:
## среднее в группе 0 среднее в группе 1
## -0. 03059583 0.19386817

1.2 Разница в средних: ковариаты до лечения

Сейчас мы будем работать со следующими ковариатами: )?

  • p5hmage : Возраст матери
  • w3income : Семейный доход
  • p5numpla : Количество мест, в которых учащийся проживал не менее 4 месяцев
  • w3momed_hsb : Является ли уровень образования матери средним или ниже (1) или колледжем или выше (0)?

    • Рассчитаем среднее значение для каждой ковариаты по статусу лечения:

     ecls_cov <- c('race_white', 'p5hmage', 'w3income', 'p5numpla', 'w3momed_hsb')
экл %>%
  group_by(католик) %>%
  выберите (один_из (ecls_cov)) %>%
  summarise_all(funs(mean(., na.rm = T))) 
     ## Добавление отсутствующих группирующих переменных: `catholic` 
     ## # Набор символов: 2 × 6
## католическая раса_белый p5hmage w3income p5numpla w3momed_hsb
##      
## 1 0 0,5561246 37,56097 54889,16 1,132669 0,4640918
## 2 1 0,7251656 39,57516 82074,30 1,092701 0,2272069

    Что ты видишь? Найдите минутку, чтобы подумать о том, что эти различия предполагают для отношения интересов (между католическим образованием и успеваемостью учащихся).

    Мы можем провести t-тесты, чтобы оценить, являются ли эти средние значения статистически различимыми:

     lapply(ecls_cov, function(v) {
    t.test(ecls[ v] ~ ecls[ 'католик'])
}) 
     ## [[1]]
##
## Welch Two Sample t-критерий
##
## data: ecls[ v] by ecls[ "catholic"]
## t = -13,453, df = 2143,3, значение p < 2,2e-16
## альтернативная гипотеза: истинная разница в средних не равна 0
## 95-процентный доверительный интервал:
## -0.1936817 -0.1444003
## примерные оценки:
## среднее в группе 0 среднее в группе 1
## 0,5561246 0,7251656
##
##
## [[2]]
##
## Welch Two Sample t-критерий
##
## data: ecls[ v] by ecls[ "catholic"]
## t = -12,665, df = 2186,9, значение p < 2,2e-16
## альтернативная гипотеза: истинная разница в средних не равна 0
## 95-процентный доверительный интервал:
## -2.326071 -1.702317
## примерные оценки:
## среднее в группе 0 среднее в группе 1
## 37.56097 39.57516
##
##
## [[3]]
##
## Welch Two Sample t-критерий
##
## data: ecls[ v] by ecls[ "catholic"]
## t = -20,25, df = 1825,1, p-значение < 2,2e-16
## альтернативная гипотеза: истинная разница в средних не равна 0
## 95-процентный доверительный интервал:
## -29818. 10 -24552.18
## примерные оценки:
## среднее в группе 0 среднее в группе 1
## 54889.16 82074.30
##
##
## [[4]]
##
## Welch Two Sample t-критерий
##
## data: ecls[ v] by ecls[ "catholic"]
## t = 4,2458, df = 2233,7, значение p = 2,267e-05
## альтернативная гипотеза: истинная разница в средних не равна 0
## 95-процентный доверительный интервал:
## 0,02150833 0,05842896
## примерные оценки:
## среднее в группе 0 среднее в группе 1
## 1.132669 1.092701
##
##
## [[5]]
##
## Welch Two Sample t-критерий
##
## data: ecls[ v] by ecls[ "catholic"]
## t = 18,855, df = 2107,3, значение p < 2,2e-16
## альтернативная гипотеза: истинная разница в средних не равна 0
## 95-процентный доверительный интервал:
## 0.2122471 0.2615226
## примерные оценки:
## среднее в группе 0 среднее в группе 1
## 0,4640918 0,2272069

    Если вы не понимаете код вышеприведенных t-тестов, вы также можете использовать:

     with(ecls, t.test(race_white ~ catholic)) #(повторить для каждой ковариаты) 
     ##
## Welch Two Sample t-критерий
##
## данные: race_white от католика
## t = -13,453, df = 2143,3, значение p < 2,2e-16
## альтернативная гипотеза: истинная разница в средних не равна 0
## 95-процентный доверительный интервал:
## -0. 1936817 -0.1444003
## примерные оценки:
## среднее в группе 0 среднее в группе 1
## 0,5561246 0,7251656

    Мы оцениваем показатель склонности, запуская логит-модель (также работает пробит), где переменная результата представляет собой бинарную переменную, указывающую статус лечения. Какие ковариаты следует включить? Чтобы сопоставление дало вам в конечном итоге причинно-следственную оценку, вам необходимо включить любую коварианту, связанную как с назначением лечения, так и с потенциальными результатами. Ниже я выбираю лишь несколько ковариат — они вряд ли охватят все ковариаты, которые следует включить. Позже вас попросят самостоятельно придумать потенциально лучшую модель.

     ecls <- ecls %>% mutate(w3income_1k = w3income / 1000)
m_ps <- glm(catholic ~ race_white + w3income_1k + p5hmage + p5numpla + w3momed_hsb,
            семья = биномиальная(), данные = ecls)
сводка(m_ps) 
     ##
## Вызов:
## glm(formula = catholic ~ race_white + w3income_1k + p5hmage +
## p5numpla + w3momed_hsb, family = binomial(), data = ecls)
##
## Остаточное отклонение:
## Мин.  1 кв. Медиана 3 кв. Макс.
## -1,1883 -0,6140 -0,4508 -0,3336 2,5659
##
## Коэффициенты:
## Оценить стандарт. Значение ошибки z Pr(>|z|)
## (Перехват) -3.21255190,2379826 -13,499 < 2e-16***
## race_white 0.3145014 0.0700895 4.487 7.22e-06 ***
## w3income_1k 0,0073038 0,0006495 11,245 < 2e-16 ***
## p5hmage 0,0292168 0,0050771 5,755 8,69e-09 ***
## p5numpla -0,1439392 0,0912255 -1,578 0,115
## w3momed_hsb -0,6935868 0,0743207 -9,332 < 2e-16 ***
## ---
## Значение. коды: 0 '***' 0,001 '**' 0,01 '*' 0,05 '.' 0,1 '' 1
##
## (Параметр дисперсии для биномиального семейства принимается равным 1)
##
## Нулевое отклонение: 7701,3 на 9266 степеней свободы
## Остаточное отклонение: 7168,8 на 9261 степени свободы
## (1811 наблюдений удалены из-за отсутствия)
## АИК: 7180,8
##
## Количество итераций оценки Фишера: 5

    Теперь, используя эту модель, мы можем рассчитать показатель склонности для каждого учащегося. Это просто прогнозируемая вероятность того, что учащийся будет лечиться, с учетом оценок логит-модели. Ниже я рассчитываю этот показатель склонности, используя прогнозировать () , и создаю фрейм данных, в котором есть показатель склонности, а также фактический статус лечения учащегося.

     prs_df <- data.frame (pr_score = прогноз (m_ps, тип = «ответ»),
                     католик = m_ps$model$католик)
head(prs_df) 
     ## pr_score католик
## 1 0.2292928 0
## 2 0.1801360 0
## 4 0.2092957 0
## 5 0,2154022 1
## 6 0,3604931 0
## 7 0,1080608 0

    2.1 Изучение области общей поддержки

    После оценки показателя склонности полезно построить гистограммы расчетных показателей склонности по статусу лечения:

     labs <- paste("Тип посещаемой школы:", c("Католическая", "Общественная"))
prs_df %>%
  mutate(catholic = ifelse(catholic == 1, labs[1], labs[2])) %>%
  ggplot (aes (x = pr_score)) +
  geom_histogram (цвет = «белый») +
  facet_wrap (~ католик) +
  xlab("Вероятность поступления в католическую школу") +
  theme_bw() 
     ## `stat_bin()` с использованием `bins = 30`.  Выберите лучшее значение с помощью `binwidth`.

    Простой метод оценки лечебного эффекта католического образования состоит в том, чтобы ограничить выборку наблюдениями в пределах области общей поддержки, а затем разделить выборку в пределах области общей поддержки на 5 квинтилей на основе оценочного показатель склонности. Затем в каждом из этих 5 квинтилей мы можем оценить среднюю разницу в успеваемости учащихся в зависимости от статуса лечения. Рубин и другие утверждали, что этого достаточно, чтобы устранить 95% систематической ошибки из-за смешения статуса лечения с ковариантой.

    Однако в большинстве алгоритмов сопоставления используются несколько более сложные методы. Метод, который мы используем ниже, состоит в том, чтобы найти пары наблюдений, которые имеют очень похожие оценки склонности, но различаются по статусу лечения. Используем для этого пакет MatchIt . Этот пакет оценивает показатель склонности в фоновом режиме, а затем сопоставляет наблюдения на основе выбранного метода («ближайший» в данном случае).

     ecls_nomiss <- ecls %>% # MatchIt не допускает пропущенных значений
  выберите (c5r2mtsc_std, католик, one_of (ecls_cov)) %>%
  на.опустить()
mod_match <- matchit(catholic ~ race_white + w3income + p5hmage + p5numpla + w3momed_hsb,
                     method = "nearest", data = ecls_nomiss)

    Мы можем получить некоторую информацию о том, насколько успешным было сопоставление, используя summary(mod_match) и plot(mod_match) (попробуйте сами).

    Чтобы создать фрейм данных, содержащий только совпавшие наблюдения, используйте match.data() функция:

     dta_m <- match.data(mod_match)
dim(dta_m) 
     ## [1] 2704 9

    Обратите внимание, что окончательный набор данных меньше исходного: он содержит 2704 наблюдения, что означает, что 1352 пары обработанных и контрольных наблюдений были сопоставлены. Также обратите внимание, что окончательный набор данных содержит переменную с именем Distance , которая представляет собой показатель склонности.

    Мы сделаем три вещи, чтобы оценить баланс ковариат в согласованной выборке:

    1. визуальный осмотр
    2. t-критерий разности средних
    3. расчет средней абсолютной нормированной разницы («нормированный дисбаланс»)

    4.1 Визуальный осмотр

    Полезно построить график среднего значения каждой ковариаты в зависимости от оценочной оценки склонности, отдельно по статусу лечения. Если сопоставление выполнено хорошо, экспериментальная и контрольная группы будут иметь (почти) идентичные средние значения каждой ковариаты при каждом значении показателя склонности. 93 dta$catholic <- as.factor(dta$catholic) поддержка <- c(min(dta$variable), max(dta$variable)) ggplot(dta, aes(x = расстояние, y = переменная, цвет = католик)) + geom_point (альфа = 0,2, размер = 1,3) + geom_smooth (метод = "лесс", se = F) + xlab("Оценка склонности") + ylab(переменная) + тема_bw() + илим (поддержка) } библиотека (сеткаExtra) grid. arrange( fn_bal(dta_m, "w3income"), fn_bal(dta_m, "p5numpla") + тема(legend.position = "none"), fn_bal(dta_m, "p5hmage"), fn_bal(dta_m, "w3momed_hsb") + тема(legend.position = "none"), fn_bal(dta_m, "race_white"), nrow = 3, ширина = c(1, 0,8) )

    4.2 Разница в средних

    Приведенные ниже средние значения показывают, что мы достигли высокой степени баланса по пяти ковариатам, включенным в модель.

     dta_m %>%
  group_by(католик) %>%
  выберите (один_из (ecls_cov)) %>%
  summarise_all(funs(mean)) 
     ## Добавление отсутствующих группирующих переменных: `catholic` 
     ## # Набор символов: 2 × 6
## католическая раса_белый p5hmage w3income p5numpla w3momed_hsb
##      
## 1 0 0,7470414 39.5503 81403,99 1,076183 0,2152367
## 2 1 0,7411243 39,5932 82568,94 1,091716 0,2233728

    Вы можете проверить это более формально, используя t-критерий. В идеале мы должны , а не иметь возможность отвергнуть нулевую гипотезу об отсутствии разности средних для каждой ковариаты:

     lapply(ecls_cov, function(v) {
    t. test(dta_m[ v] ~ dta_m$католик)
}) 
     ## [[1]]
##
## Welch Two Sample t-критерий
##
## данные: dta_m[ v] от dta_m$catholic
## t = 0,35243, df = 2701,8, p-значение = 0,7245
## альтернативная гипотеза: истинная разница в средних не равна 0
## 95-процентный доверительный интервал:
## -0,02700440 0,03883872
## примерные оценки:
## среднее в группе 0 среднее в группе 1
## 0,7470414 0,7411243
##
##
## [[2]]
##
## Welch Two Sample t-критерий
##
## данные: dta_m[ v] от dta_m$catholic
## t = -0,21331, df = 2702, p-значение = 0,8311
## альтернативная гипотеза: истинная разница в средних не равна 0
## 95-процентный доверительный интервал:
## -0,4372485 0,3514496
## примерные оценки:
## среднее в группе 0 среднее в группе 1
## 39.5503 390,5932
##
##
## [[3]]
##
## Welch Two Sample t-критерий
##
## данные: dta_m[ v] от dta_m$catholic
## t = -0,64787, df = 2701,9, p-значение = 0,5171
## альтернативная гипотеза: истинная разница в средних не равна 0
## 95-процентный доверительный интервал:
## -4690. 731 2360.845
## примерные оценки:
## среднее в группе 0 среднее в группе 1
## 81403.99 82568.94
##
##
## [[4]]
##
## Welch Two Sample t-критерий
##
## данные: dta_m[ v] от dta_m$catholic
## t = -1,339, df = 2699,5, p-значение = 0,1807
## альтернативная гипотеза: истинная разница в средних не равна 0
## 95-процентный доверительный интервал:
## -0,038278301 0,007213213
## примерные оценки:
## среднее в группе 0 среднее в группе 1
## 1.076183 1.091716
##
##
## [[5]]
##
## Welch Two Sample t-критерий
##
## данные: dta_m[ v] от dta_m$catholic
## t = -0,51108, df = 2701,5, p-значение = 0,6093
## альтернативная гипотеза: истинная разница в средних не равна 0
## 95-процентный доверительный интервал:
## -0,03935185 0,02307966
## примерные оценки:
## среднее в группе 0 среднее в группе 1
## 0,2152367 0,2233728

    4.3 Средняя абсолютная стандартизованная разность

    В качестве меры среднего дисбаланса можно рассчитать следующее:

    \(\bar{\left|\frac{\beta}{\sigma}\right|} = \ frac{1}{k}\sum_x \frac{|\beta_x|}{\sigma_x}\)

    , где \(\beta_x\) — разница между средними ковариатами в экспериментальной и контрольной группах в согласованной выборке. Средняя абсолютная стандартизированная разница, близкая к 0, предпочтительнее, так как это указывает на небольшие различия между контрольной и лечебной группами в подобранной выборке.

    Попробуйте реализовать функцию, которая вычисляет абсолютную стандартизованную разницу для любой ковариаты в согласованной выборке. Затем возьмите среднее значение для всех ковариат.

    Оценка эффекта лечения проста, когда у нас есть согласованный образец, которым мы довольны. Мы можем использовать t-тест:

     with(dta_m, t.test(c5r2mtsc_std ~ католический)) 
     ##
## Welch Two Sample t-критерий
##
## данные: c5r2mtsc_std от католика
## t = 4,1788, df = 2670,1, значение p = 3,025e-05
## альтернативная гипотеза: истинная разница в средних не равна 0
## 95-процентный доверительный интервал:
## 0,07834911 0,21688388
## примерные оценки:
## среднее в группе 0 среднее в группе 1
## 0.3572844 0.2096679

    Или мы можем использовать МНК с ковариатами или без них:

     lm_treat1 <- lm(c5r2mtsc_std ~ catholic, data = dta_m)
резюме(lm_treat1) 
     ##
## Вызов:
## lm(formula = c5r2mtsc_std ~ католический, data = dta_m)
##
## Остатки:
## Мин. 3) ​​0,0030040 0,0003774 7,959 2.53э-15***
## p5numpla -0,1106781 0,0555234 -1,993 0,046323 *
## w3momed_hsb -0,3815903 0,0415457 -9,185 < 2e-16 ***
## ---
## Значение. коды: 0 '***' 0,001 '**' 0,01 '*' 0,05 '.' 0,1 '' 1
##
## Остаточная стандартная ошибка: 0,8664 при 2697 степенях свободы
## Множественный R-квадрат: 0,1175, скорректированный R-квадрат: 0,1155
## F-статистика: 59,85 на 6 и 2697 DF, p-значение: < 2,2e-16

    Интерпретируйте эти оценки!

    В группах по 2 или 3 человека придумайте другую модель для оценки показателя склонности. Оцените, лучше она или хуже модели, с которой мы работали до сих пор, сравнив среднюю абсолютную стандартизованную разницу (средний дисбаланс) двух моделей. Определившись с моделью, сообщите следующее:

    1. Средний дисбаланс
    2. Область общей опоры
    3. Оценка ковариационного баланса в выбранной вами выборке (визуальные проверки и t-тесты)
    4. Предполагаемый лечебный эффект посещения католической школы (вместе с вашей интерпретацией этого)

    Если у нас есть время, повторите упражнение, используя алгоритм сопоставления, отличный от алгоритма ближайшего соседа.


    Код, используемый в этом руководстве, доступен здесь.

    Как использовать R для сопоставления выборок (показатель склонности)

    Согласно Википедии, сопоставление показателей склонности (PSM) — это «метод статистического сопоставления, который пытается оценить эффект лечения, политики или другого вмешательства путем учета ковариат, которые предсказывают получение лечения». В более широком смысле анализ показателей склонности предполагает, что беспристрастное сравнение между выборками может быть проведено только в том случае, если субъекты обеих выборок имеют схожие характеристики. Таким образом, PSM можно использовать не только как «альтернативный метод оценки эффекта лечения, когда случайное назначение лечения субъектам невозможно» (Thavaneswaran 2008). Его также можно использовать для сравнения образцов в эпидемиологических исследованиях. Приведем пример:

    Качество жизни, связанное со здоровьем (HRQOL), считается важным результатом лечения рака. Одним из наиболее часто используемых инструментов для измерения HRQOL у онкологических больных является основной вопросник качества жизни Европейской организации по исследованию и лечению рака . EORTC QLQ-C30 представляет собой инструмент из 30 пунктов, состоящий из пяти функциональных шкал, девяти шкал симптомов и одной шкалы, измеряющей глобальное качество жизни. Все шкалы имеют диапазон баллов от 0 до 100. В то время как высокие баллы по шкалам симптомов указывают на большое бремя симптомов, высокие баллы по шкалам функционирования и по шкале GQoL указывают на лучшее функционирование, соответственно. качество жизни.

    Однако, не имея ориентира, трудно, если вообще возможно, интерпретировать баллы. К счастью, опросник EORTC QLQ-C30 использовался в нескольких обследованиях населения. Таким образом, баллы пациентов можно сравнивать с баллами населения в целом. Это значительно упрощает решение вопроса о том, можно ли отнести бремя симптомов или функциональных нарушений к раку (лечению) или нет. PSM можно использовать для сравнения выборок пациентов и населения путем сопоставления соответствующих демографических характеристик, таких как возраст и пол.

    В этом сообщении блога я покажу, как выполнять PSM с помощью R. Более подробное руководство по PSM можно найти в разделе: «Пошаговое руководство по сопоставлению показателей склонности в R».

    Создание двух случайных фреймов данных

    Поскольку мы не хотим использовать реальные данные в этом посте блога, нам нужно эмулировать данные. Это можно легко сделать с помощью пакета Wakefield .

    На первом этапе мы создаем фрейм данных с именем df.patients . Мы хотим, чтобы кадр данных содержал данные о возрасте и поле для 250 пациентов. Возраст пациентов должен быть от 30 до 78 лет. Кроме того, 70% пациентов должны быть мужчинами.

     набор семян(1234)
df.patients <- r_data_frame(n = 250,
                            возраст(х = 30:78,
                                имя = 'Возраст'),
                            пол(х = с("Мужчина", "Женщина"),
                                вероятность = с (0,70, 0,30),
                                имя = "Секс"))
df.patients$Sample <- as.factor('Пациенты')

    Функция summary возвращает некоторую базовую информацию о созданном фрейме данных. Как мы видим, средний возраст выборки пациентов составляет 53,7 года, и примерно 70% пациентов составляют мужчины (69 лет)..2%).

     сводка(дф.пациенты)
  ## Образец возраста и пола
## Мин. :30.00 Мужчины :173 Пациенты:250
## 1-й квартал: 42.00 Женский: 77
## Медиана: 54,00
## Среднее значение: 53,71
## 3-й кв.:66.00
##  Макс. :78.00

    На втором этапе мы создаем еще один фрейм данных с именем df.population . Мы хотим, чтобы этот кадр данных содержал те же переменные, что и df.patients с различными характеристиками. В возрасте от 18 до 80 лет возрастной диапазон популяции должен быть шире, чем в выборке пациентов, а доля пациентов женского и мужского пола должна быть одинаковой.

     набор семян(1234)
df.population <- r_data_frame(n = 1000,
                              возраст(х = 18:80,
                                  имя = 'Возраст'),
                              пол(х = с("Мужчина", "Женщина"),
                                  вероятность = с (0,50, 0,50),
                                  имя = "Секс"))
df. population$Sample <- as.factor('Население')

    В следующей таблице показан средний возраст выборки (49,5 лет) и доля мужчин (48,5%) и женщин (51,5%).

     сводка(df.population)
  ## Образец возраста и пола
## Мин. :18.00 Мужчины :485 Население:1000
## 1-й квартал: 34.00 Женский: 515
## Медиана: 50,00
## Среднее значение: 49,46
## 3-й кв.:65.00
##  Макс. :80.00

    Объединение фреймов данных

    Прежде чем сопоставить образцы, нам нужно объединить оба фрейма данных. На основе переменной Образец мы создаем новую переменную с именем Группа (тип логика ) и дополнительную переменную ( Бедствие ), содержащую информацию об уровне бедствия людей. Переменная Distress создается с использованием функции age пакета Wakefield . Как мы видим, у женщин будет более высокий уровень дистресса.

     mydata <- rbind(df.patients, df.population)
mydata$Group <- as.logical(mydata$Sample == 'Пациенты')
mydata$Distress <- ifelse(mydata$Sex == 'Мужской', age(nrow(mydata), x = 0:42, name = 'Distress'),
                                                возраст (nrow (mydata), x = 15:42, имя = 'Бедствие'))

    Когда мы сравниваем распределение по возрасту и полу в обеих выборках, мы обнаруживаем существенные различия:

     pacman::p_load(tableone)
table1 <- CreateTableOne(vars = c('Возраст', 'Пол', 'Дистресс'),
                         данные = мои данные,
                         factorVars = 'Пол',
                         слои = «образец»)
таблица1 <- печать(таблица1,
                printToggle = ЛОЖЬ,
                noSpaces = ИСТИНА)
кабель(таблица1[1:3],
      выровнять = 'с',
      caption = 'Таблица 1: Сравнение несопоставленных образцов')

    Table 1: Comparison of unmatched samples

    Patients Population p
    n 250 1000
    Age (mean (sd)) 53. 71 (13,88) 49,46 (18,33) 0,001
    SEX = самка (%) 77 (30,8) 515 (51,5) 515 (51,5) 515 (51,5) 9037 2 9037 515 (51,5) 9037 2 9037 515 (51,5) 9037 2 515 (51,5) 9037 2 515 (51,5) 9037 2 515 (51,5).0372 22,86 (11,38) 25,13 (11,11) 0,004

    Кроме того, уровень дистресса, по-видимому, значительно выше в популяционной выборке.

    Сопоставление образцов

    Теперь, когда мы завершили подготовку и проверку данных, мы собираемся сопоставить два образца, используя функцию matchit пакета MatchIt . Команда метода method="nearest" указывает, что будет использоваться метод ближайших соседей. Другие методы сопоставления точное соответствие, подклассификация, оптимальное соответствие, генетическое соответствие и полное соответствие ( метод = c("точное", "подкласс", "оптимальное", ""генетическое", "полное") ). команда ratio = 1  указывает на подход сопоставления один к одному. Что касается нашего примера, то для каждого случая в выборке пациентов будет сопоставляться только один случай в выборке населения. Также обратите внимание, что переменная Group должна быть логика (ИСТИНА против ЛОЖЬ)

     набор семян(1234)
match.it <- matchit (группа ~ возраст + пол, данные = мои данные, метод = «ближайший», отношение = 1)
a <- резюме(match.it)

    Для дальнейшего представления данных мы сохраняем вывод сводной -функции в переменную с именем a.

    После сопоставления выборок размер популяционной выборки был уменьшен до размера выборки пациентов (n=250; см. таблицу 2).

     кабель(a$nn, цифры = 2, выравнивание = 'c',
      caption = 'Таблица 2: Размеры выборки')

    Table 2: Sample sizes

    Control Treated
    All 1000 250
    Matched 250 250
    Unmatched 750 0
    Отброшено 0 0

    Следующий вывод показывает, что после сопоставления распределения переменных Возраст и Пол почти идентичны.

     кабель(a$sum.matched[c(1,2,4)], цифры = 2, выравнивание = 'c',
      caption = 'Таблица 3: Сводка баланса для сопоставленных данных')

    Table 3: Summary of balance for matched data

    Means Treated Means Control Mean Diff
    distance 0.23 0.23 0.00
    Age 53,71 53,65 0,06
    SexMale 0.69 0.69 0.00
    SexFemale 0.31 0.31 0.00

    The distributions of propensity scores can be visualized using the plot -function which is part of пакет MatchIt .

     график (match.it, тип = 'дрожание', интерактивный = ЛОЖЬ)

    Вот график:

    Сохранение совпадающих образцов

    Наконец, совпавшие образцы будут сохранены в новый фрейм данных с именем df.match .

     df.match <- match.data(match.it)[1:ncol(mydata)]
rm(df.пациенты, df.население)

    В конце концов, мы можем проверить, значимы ли различия в уровне дистресса между обеими выборками.

     pacman::p_load(таблица)
table4 <- CreateTableOne(vars = c('Возраст', 'Пол', 'Дистресс'),
                         данные = df.match,
                         factorVars = 'Пол',
                         слои = «образец»)
таблица4 <- печать(таблица4,
                printToggle = ЛОЖЬ,
                noSpaces = ИСТИНА)
кабель(таблица4[1:3],
      выровнять = 'с',
      caption = 'Таблица 4: Сравнение совпадающих образцов')
    Patients Population p
    n 250 250
    Age (mean (sd)) 53.