缺乏 positivity 与模型设定未知下多水平处理比较的混杂调整方法
应用统计
2021-06-04 v2 统计计算
摘要
观察性研究中处理组间协变量不平衡十分常见，并可导致有偏比较。在多水平处理（>2）情形下，可采用多种调整方法来纠正这些偏倚。然而，诸如 positivity 违背与错误模型设定等分析挑战，可能影响其产生无偏估计的能力。已识别出最具潜力应对这些挑战的调整方法：重叠权重、增广重叠权重、偏差校正匹配与靶向最大似然。提出了一种可与机器学习算法自然结合的重叠权重估计量的简单方差估计量。在模拟研究中，我们考察了这些方法以及较简单替代方法（标准化、逆概率加权与匹配）的经验表现。即便在样本量为 500 时，我们所提方差估计量表现良好。包含结果建模成分的调节方法优于仅建模处理机制的方法。此外，观察到机器学习实现能为前类方法高效补偿未知模型设定，但对后类方法则不然。基于这些结果，使用增广重叠权重估计量分析了野火数据。关于替代灭火干预措施的有效性，结果有违直觉，实则与学科依据下的预期相反。这表明数据中存在未测混杂偏倚。
引用
@article{arxiv.1912.01517,
title = {Confounding Adjustment Methods for Multi-level Treatment Comparisons Under Lack of Positivity and Unknown Model Specification},
author = {Diop S. Arona and Duchesne Thierry and Cumming Steven and Diop Awa and Talbot Denis},
journal= {arXiv preprint arXiv:1912.01517},
year = {2021}
}
备注
15 pages, 6 tables