边际结构模型中处理时变混杂因素缺失数据的标准方法综述与评估
统计方法学
2019-12-02 v1 应用统计
摘要
边际结构模型（MSM）常用于估计纵向非随机研究中的因果干预效应。观察性研究数据分析中的一个常见问题是存在不完整的混杂因素数据，若在统计分析中未妥善处理，可能导致干预效应估计的偏倚。然而，目前对于在实践遇到的多种缺失机制下如何处理 MSM 中协变量的缺失数据，尚无建议。我们回顾了 MSM 中处理缺失数据的现有方法，并开展模拟研究比较完整病例（CC）分析、末次观测结转（LOCF）、缺失模式法（MPA）、多重插补（MI）与缺失逆概率加权（IPMW）的表现。我们考虑了使用电子健康记录数据的观察性研究中常见的三种非单调缺失数据机制。CC 分析在几乎所有情景下均导致干预效应估计偏倚，而其他方法的表现在各情景间有所差异。LOCF 方法仅在特定非随机机制下给出无偏估计，该机制中当混杂因素值自前次测量起未变化时其值为缺失。在此情景下，MI、MPA 与 IPMW 均有偏。当数据随机缺失（给定协变量或治疗）时，MI 与 IPMW 得出无偏效应估计，但仅 MI 在结局为缺失预测因子时无偏。此外，IPMW 通常导致非常大的标准误。最后，无论缺失机制如何，MPA 仅当给定时间点未记录混杂因素改变了部分观测协变量与结局间的后续关系时才给出无偏估计。
引用
@article{arxiv.1911.12624,
title = {A review and evaluation of standard methods to handle missing data on time-varying confounders in marginal structural models},
author = {Clemence Leyrat and James R Carpenter and Sebastien Bailly and Elizabeth J Willamson},
journal= {arXiv preprint arXiv:1911.12624},
year = {2019}
}