基于结果导向的贮罐化倾斜倾斜 lasso 的增强逆倾向加权估计器比较研究
统计方法学
2025-01-14 v2
摘要
在从观察性数据估计因果效应时，若使用诸多协变量的惩罚性协变量选择可提高估计效率。结果导向的协变量选择即涉及选择与结果相关的协变量，能即使针对倾向得分 (PS) 方法提升效率。对于 PS 模型中的结果导向协变量选择，结果自适应 lasso (OAL) 可用于具有 oracle 属性的惩罚。先前研究表明，OAL 的逆倾向加权 (IPW) 估计器在参数模型的其他协变量选择方法的 IPW 估计器中表现更佳。然而，增强型 IPW (AIPW) 估计器通常作为平均处理效应的双鲁棒估计器使用，需同时依赖 PS 和结果模型。尽管如此，对于结果模型应采用何种协变量选择方法与 OAL 组合形成 AIPW 估计器尚不明确。我们评估了使用 OAL 的 AIPW 估计器以及多种结果导向的协变量选择方法。我们通过数值实验评估了各种协变量选择方法的 AIPW 估计器性能。结果表明，针对 PS 和结果模型均采用具有 oracle 属性的结果导向协变量选择的 AIPW 估计器性能优于其他估计器，与依赖真实混淆因子和结果预测器的 AIPW 估计器性能相似。相比之下，未依赖 oracle 属性的 AIPW 估计器偏差较大。在临床试验数据集分析中，采用具有和不具有 oracle 属性的结果导向协变量选择的 AIPW 估计器给出的估计值和标准误相似。
引用
@article{arxiv.2405.11522,
title = {A comparative study of augmented inverse propensity weighted estimators using outcome-oriented covariate selection via penalization with outcome-adaptive lasso},
author = {Wataru Hongo and Shuji Ando and Jun Tsuchida and Takashi Sozu},
journal= {arXiv preprint arXiv:2405.11522},
year = {2025}
}