基于广义线性结果模型的反事实加权处理用于双重稳健估计
统计方法学
2023-12-18 v1
摘要
如今双重稳健估计已有诸多选择;然而,应用文献中存在一种令人担忧的趋势,即认为将倾向得分与调整后的结果模型相结合会自动产生双重稳健估计量,和/或误用更复杂的既有双重稳健估计量。一种简单的替代方案是:通过反事实处理(倾向得分)加权最大似然估计拟合规范链接广义线性模型(GLM),再对平均因果效应进行标准化(g-公式),这是一种双重稳健估计方法。我们的目标不仅是让读者能够使用这一我们称之为 IPTW GLM 的方法进行双重稳健估计,更要使其充分理解它为何具有双重稳健性质。为此,我们清晰且以多种方式定义了理解该方法及其双重稳健性所需的所有概念。此外,我们想非常明确地指出,仅仅将倾向得分加权与调整后的结果模型相结合通常不会产生双重稳健估计量。最后,我们希望消除一种误解,即即便使用双重稳健估计量,也可以通过结果模型中对倾向得分加权后剩余‘不平衡’者进行调整,来处理残留混杂偏倚。我们提供了用于模拟的 R 代码以及真实开源数据示例,可逐步参照以使用并 hopefully 理解 IPTW GLM 方法。我们还与一个更为知名但仍简单的双重稳健估计量进行了比较。
引用
@article{arxiv.2309.05531,
title = {Inverse probability of treatment weighting with generalized linear outcome models for doubly robust estimation},
author = {Erin E Gabriel and Michael C Sachs and Torben Martinussen and Ingeborg Waernbaum and Els Goetghebeur and Stijn Vansteelandt and Arvid Sjölander},
journal= {arXiv preprint arXiv:2309.05531},
year = {2023}
}