边际结构模型中时依混杂因素的最优平衡
统计方法学
2019-08-13 v2 最优化与控制
机器学习
摘要
边际结构模型（MSMs）通过加权回归估计时变处理在存在时依混杂情况下的因果效应。使用逆处理概率加权（IPTW）的标准方法可能因极端权重导致高方差估计，并且对模型误设敏感。已有多种方法部分解决该问题，包括截断和稳定化 IPTW 以缓和极端权重，以及协变量平衡倾向得分（CBPS）以处理处理模型误设。本文提出核最优加权（KOW），一种基于凸优化的方法，其为拟合 MSM 寻找权重，在同时控制精度的前提下最优地平衡时依混杂因素，直接应对上述局限。KOW 通过一种新的泛函分解直接最小化由时依混杂引起的估计误差。我们进一步扩展 KOW 以控制信息性删失。我们在模拟研究中评估 KOW 的性能，并与 IPTW、稳定化 IPTW 和 CBPS 比较。我们展示了 KOW 在研究中用于探究 HIV 感染者治疗起始对死亡时间的影响，以及负面广告对美国选举的影响。
引用
@article{arxiv.1806.01083,
title = {Optimal Balancing of Time-Dependent Confounders for Marginal Structural Models},
author = {Nathan Kallus and Michele Santacatterina},
journal= {arXiv preprint arXiv:1806.01083},
year = {2019}
}