估计归因分数时处理时变暴露与混杂因素——弥合多状态模型与反事实建模之间的鸿沟
统计方法学
2023-12-27 v3
摘要
人群归因分数(PAF)表示在特定人群中可归因于某种暴露的事件比例。它可能具有强烈的时变性,因为暴露发生率或超额风险都可能随时间改变。此外,竞争事件可能阻碍观察到感兴趣的结果。这些事件中任一事件的发生又可能阻止感兴趣的暴露发生。因此,在此类高度动态的环境中,估计方法需要仔细考虑事件发生的时机。广泛建议使用多状态模型以消除可预防但常见的一类时变偏倚。即便如此,已有研究指出,所提出的用于PAF估计的多状态建模方法未能完全消除此类偏倚。此外,评估患者是死于而非死于伴某种暴露,不仅需要充分建模事件发生的时机,还需要建模其混杂因素。虽然所提出的用于混杂调整的多状态建模方法可能充分处理基线不均衡,但与g方法不同,这些方案通常无法处理时变混杂。然而,多状态建模与用于PAF估计的g方法(例如删失逆概率加权)之间的联系并不显而易见。在本文中,我们对两种方法给出了基于加权的刻画,以阐明这一联系,指出多状态建模当前的不足,并增进对克服这些不足之简单修正的直观理解。我们提供了R代码以促进g方法在PAF估计中的应用。
引用
@article{arxiv.2011.04833,
title = {Handling time-dependent exposures and confounders when estimating attributable fractions -- bridging the gap between multistate and counterfactual modeling},
author = {Johan Steen and Pawel Morzywolek and Wim Van Biesen and Johan Decruyenaere and Stijn Vansteelandt},
journal= {arXiv preprint arXiv:2011.04833},
year = {2023}
}