用于估计观察性研究中多水平处理效应的近似贝叶斯 bootstrap 过程及其在 2 型糖尿病治疗方案中的应用
统计方法学
2020-01-20 v1
摘要
随机临床试验被认为是估计因果效应的金标准。然而，在旨在检查干预不良效应的研究中，由于伦理和财务考量，此类试验往往不切实际。在观察性研究中，基于广义倾向得分的匹配被提出作为估计多种干预处理效应的可能解决方案。然而，对于这些匹配过程，在点估计和区间估计的推导上，当结果为非连续或删失时会变得复杂。我们提出了一种新颖的近似贝叶斯 Bootstrap 算法，可对分类结果的处理效应给出统计有效的点估计和区间估计。该过程依赖于估计的广义倾向得分，并对每个单元的未观测潜在结果进行多重插补。此外，我们描述了相应的可解释敏感性分析以检验无混杂假设。我们将该方法应用于一个大型观察性数据库，以检验 2 型糖尿病 mellitus 常见真实世界抗糖尿病治疗方案的心血管安全性。
引用
@article{arxiv.2001.06125,
title = {Approximate Bayesian Bootstrap Procedures to Estimate Multilevel Treatment Effects in Observational Studies with Application to Type 2 Diabetes Treatment Regimens},
author = {Anthony D. Scotina and Andrew R. Zullo and Robert J. Smith and Roee Gutman},
journal= {arXiv preprint arXiv:2001.06125},
year = {2020}
}