基于广义倾向得分的加权与分层剂量-反应函数估计量的闭式方差估计量
应用统计
2020-07-07 v1
摘要
倾向得分方法在观察性研究中被广泛用于评估边际处理效应。广义倾向得分(GPS)是倾向得分框架的扩展,该框架历史上针对二值暴露而发展,现可用于定量或连续暴露。本文中,我们针对连续结局的处理效应估计量提出了方差估计量。剂量-反应函数(DRF)通过对 GPS 的倒数进行加权或使用分层来估计。方差估计量通过蒙特卡洛模拟进行评估。尽管使用了稳定化权重,DRF 的加权估计量的变异性尤其高,且所有方差估计量(基于 bootstrap 的估计量、特别开发以考虑 GPS 估计步骤的闭式估计量,以及三明治估计量)均无法充分捕捉该变异性,导致覆盖概率低于名义值,尤其在协变量解释的定量暴露变异比例较大时。分层估计量更为稳定,且方差估计量(基于 bootstrap 的估计量、合并线性化估计量与合并基于模型的估计量)在捕捉 DRF 参数的经验变异性方面更为有效。合并方差估计量往往高估方差,而本质上考虑 GPS 估计步骤的 bootstrap 估计量给出了正确的方差估计与覆盖概率。这些方法应用于一个真实数据集,旨在评估母亲体重指数对新生儿出生体重的影响。
引用
@article{arxiv.2007.02552,
title = {Closed-form variance estimators for weighted and stratified dose-response function estimators using generalized propensity score},
author = {Valérie Garès and Guillaume Chauvet and David Hajage},
journal= {arXiv preprint arXiv:2007.02552},
year = {2020}
}