多阶段聚类数据因果推断的倾向得分加权
统计方法学
2016-07-27 v1
摘要
倾向得分加权是因果推断中用于调整已测量混杂因素的工具。调查数据通常是在复杂抽样设计（如多阶段整群抽样）下收集的，这给倾向得分建模和估计带来了挑战。此外，对于聚类数据，可能存在与处理组和结果均相关的未观测聚类效应。当此类未测量混杂因素存在且在倾向得分模型中被忽略时，随后的倾向得分调整将产生偏差。我们提出了一种针对存在未观测聚类层面混杂因素的多阶段聚类数据的校准倾向得分加权调整方法。该倾向得分经过校准，以平衡处理组间的设计加权协变量分布和聚类效应。特别是，我们考虑了随聚类数量增加而增加的校准约束数量，这对于消除与未观测聚类层面混杂因素相关的渐近偏差是必要的。我们证明了我们的估计量具有稳健性，即在倾向得分模型设定不正确的情况下，该估计量仍具有一致性。我们将结果推广至多处理情形。模拟研究表明，所提出的估计量优于其他竞争方法。我们估计了学校体重指数筛查对宾夕法尼亚州小学超重和肥胖患病率的影响。
引用
@article{arxiv.1607.07521,
title = {Propensity score weighting for causal inference with multi-stage clustered data},
author = {Shu Yang},
journal= {arXiv preprint arXiv:1607.07521},
year = {2016}
}