识别用于解决混杂偏倚以估计州级政策效应的最优方法
统计方法学
2023-07-06 v1
摘要
背景：评估州级政策如何影响健康相关结果的政策评估研究是健康与社会政策研究的基础。较新的分析方法解决混杂(观察性研究中偏倚的关键来源)的相对能力尚未被仔细考察。方法：我们进行模拟研究，考察不同量级混杂如何影响用于政策评估的四种方法的性能：(1)双向固定效应(TWFE)双重差分(DID)模型；(2)单期滞后自回归(AR)模型；(3)增广合成控制法(ASCM)；(4)Callaway-Sant'Anna(CSA)的多时段双重稳健DID方法。我们模拟的数据具有交错政策采纳及多种混杂情景(即变化混杂关系的量级与性质)。结果：各方法的偏倚在以下情况增加：(1)混杂量级增大；(2)混杂相对于先前结果趋势(而非水平)生成；(3)混杂关联为非线性(而非线性)。在所有情景中，AR与ASCM的均方根误差明显低于TWFE模型与CSA方法；例外是基于先前趋势的非线性混杂，此时CSA表现最佳。ASCM的覆盖率不切实际地高(如100%)，反映了实践中基于模型的大标准误与宽置信区间。结论：我们的模拟研究表明没有单一方法持续优于其他。但研究者的工具箱应包含全部方法选项。我们的模拟及关联R包可帮助研究者为其数据选择最合适方法。
引用
@article{arxiv.2307.01413,
title = {Identifying Optimal Methods for Addressing Confounding Bias When Estimating the Effects of State-Level Policies},
author = {Beth Ann Griffin and Megan S. Schuler and Elizabeth M. Stone and Stephen W. Patrick and Bradley D. Stein and Pedro Nascimento de Lima and Max Griswold and Adam Scherling and Elizabeth A. Stuart},
journal= {arXiv preprint arXiv:2307.01413},
year = {2023}
}
备注
4 figures, 1 table, supplemental material including code