用于暴露测量误差偏差校正的基于插补的回归校准方法的因果协变量选择
统计方法学
2024-01-17 v3
摘要
本文中，我们识别了为 Carroll、Rupert 和 Stefanski (CRS, 1992) 开发的回归校准方法选择最小且最有效协变量调整集的标准，该方法用于校正连续暴露测量误差引起的偏差。我们利用有向无环图说明专业知识如何辅助选择此类调整集。有效的测量误差校正要求在主研究和验证研究中均收集以下数据：(1) 真实暴露与结局的共同原因，以及 (2) 测量误差与结局的共同原因。为使 CRS 回归校准方法有效，研究人员需在测量误差模型 (MEM) 和结局模型中最小限度地对协变量集 (1) 进行调整，并至少在 MEM 中对协变量集 (2) 进行调整。在实践中，我们建议在 MEM 和结局模型中均包含最小协变量调整集。与 Rosner、Spiegelman 和 Willet 开发的回归校准方法相比，在 CRS 方法下，仅在 MEM 中对真实暴露或测量误差的相关因素（非风险因素）进行调整是有效的且更高效。我们将所提出的协变量选择方法应用于健康专业人员随访研究，考察纤维摄入量对心血管事件发生率的影响。在本研究中，我们展示了忽略结构假设的数据驱动 MEM 构建方法的潜在问题。我们将最初提出的估计量扩展至允许协变量进行效应修饰的设定。最后，我们告诫不要使用回归校准方法通过生物标志物来校准真实的营养摄入量。
引用
@article{arxiv.2312.07829,
title = {Causal Covariate Selection for the Imputation-based Regression Calibration Method for Exposure Measurement Error Bias Correction},
author = {Wenze Tang and Donna Spiegelman and Yujie Wu and Molin Wang},
journal= {arXiv preprint arXiv:2312.07829},
year = {2024}
}
备注
11 pages, 4 tables, 3 figures. arXiv admin note: text overlap with arXiv:2212.00795