误测连续暴露回归校准中协变量的因果选择

由Rosner、Spiegelman和Willet发展的回归校准用于纠正连续暴露中因测量误差导致的效应估计偏差。该方法涉及两个模型：将误测暴露与真实暴露相关联的测量误差模型（MEM），以及将误测暴露与结局相关联的结局模型。然而，关于每个模型中应包含哪些协变量，尚不存在全面指导。本文中，我们在因果推断框架下研究最小且最有效协变量调整集的选择。我们表明，为纠正测量误差，研究者必须在MEM与结局模型中均调整以下共同原因：（1）真实暴露与结局的，以及（2）测量误差与结局的。当此类变量仅存在于主研究中时，只要这些协变量至多与测量误差弱相关，研究者仍应在结局模型中调整它们以减少偏差。我们还表明，在结局模型中调整独立于真实暴露和测量误差的所谓预后变量可能提高效率，而调整仅与真实暴露相关的任何协变量在现实设定中通常导致效率损失。我们将提出的协变量选择方法应用于健康专业人员随访研究数据集，以研究纤维摄入对心血管疾病的影响。最后，我们将最初提出的估计量扩展到允许协变量效应修饰的非参数设定。