面向匹配观察性研究的随机化推断与灵敏度分析: 连接设计与分析之间的鸿沟
统计方法学
2024-09-20 v1
摘要
匹配是观察性研究中常用的因果推断研究设计。通过在不同治疗组之间对已测量混杂因素进行匹配,可在无未测混杂假设下进行有效的随机化推断,并进一步进行灵敏度分析以评估结果对潜在未测混杂的敏感性。然而,对于许多常见的匹配设计,仍缺乏有效的下游随机化推断和灵敏度分析方法。具体而言,在存在治疗剂量(如连续或有序治疗)的匹配观察性研究中,除部分特殊情况(如配对匹配)外,目前不存在针对样本平均处理效应(Neyman型弱原假设)的随机化推断或灵敏度分析方法,也不存在针对非二分类结果下,用于检验任何受体者无效应的Fisher纯净原假设的有效灵敏度分析方法。为填补这一空白,本文提出了新的随机化推断和灵敏度分析方法,能够适用于含有治疗剂量的通用匹配设计,适用于一般类型的结果变量(如二元、有序或连续),涵盖Fisher纯净原假设和Neyman型弱原假设。我们通过全面的模拟研究和实际数据应用来展示了这些方法。
引用
@article{arxiv.2409.12848,
title = {Bridging the Gap Between Design and Analysis: Randomization Inference and Sensitivity Analysis for Matched Observational Studies with Treatment Doses},
author = {Jeffrey Zhang and Siyu Heng},
journal= {arXiv preprint arXiv:2409.12848},
year = {2024}
}