基于实质模型兼容多重插补的局部平均处理效应估计
统计方法学
2018-12-05 v1
摘要
随机对照试验（RCT）中不对分配治疗依从是常见现象。近来，人们对估计所接受治疗的因果效应（例如所谓的局部平均处理效应（LATE））兴趣渐增。工具变量（IV）方法可用于识别，估计则可通过完全参数化混合模型或两阶段最小二乘（TSLS）进行。TSLS 很流行，但对于关注因果优势比的二值结局可能存在问题。混合模型在实践中很少使用，或许是因为其看似复杂且需要专业软件。在此，我们提出使用多重插补（MI）对混合模型中出现的潜在依从类别进行插补。由于此类模型包含依从类别与随机化治疗之间的交互项，我们使用“实质模型兼容”多重插补（SMC MIC），其也可处理其他缺失数据，随后通过最大似然对 MI 数据集拟合混合模型并依据 Rubin 规则合并结果。我们通过模拟比较 SMC MIC 与现有方法的性能，并通过重新分析一项英国初级卫生保健中的 RCT 来说明这些方法。我们表明，在纳入辅助变量时，SMC MIC 比全贝叶斯估计更高效，且优于两阶段方法，尤其对于二值结局。
引用
@article{arxiv.1812.01322,
title = {Local average treatment effects estimation via substantive model compatible multiple imputation},
author = {Karla DiazOrdaz and James Carpenter},
journal= {arXiv preprint arXiv:1812.01322},
year = {2018}
}
备注
24 pages, 3 Figures