raking 与回归校准：解决协变量与事件时间相关误差偏倚的方法
统计方法学
2020-03-10 v2
摘要
依赖电子健康记录（EHR）数据的医学研究常受测量误差影响，因为这些数据并非为支持所研究问题而收集。若在分析中没有考虑这些数据误差，可能掩盖或导致患者暴露与疾病风险之间的虚假关联。解决协变量测量误差的方法已得到充分发展；然而，事件时间误差亦被证明会引起显著偏倚，但应对它的方法相对不成熟。更一般地，可能观察到协变量与事件时间结局中均存在且相关的误差。我们提出回归校准（RC）估计量，以同时处理协变量与删失事件时间中的相关误差。尽管 RC 在许多具有协变量测量误差的情形下表现良好，但对于非线性回归模型（如 Cox 模型）它是有偏的。因此，我们额外提出 raking 估计量，其作为由总体估计方程所定义参数的一致估计量。Raking 在特定具有失效时间数据的情形下可改进 RC，无需对误差结构进行显式建模，并可在结局依赖抽样设计下使用。我们讨论了影响 raking 估计量相对于 RC 方法改进程度的基础估计问题特征。文中给出详细的模拟研究，以考察所提估计量在 varying 信号、误差与删失水平下的表现。该方法在范德比尔特综合关怀诊所 HIV 结局的观察性 EHR 数据上进行了说明。
引用
@article{arxiv.1905.08330,
title = {Raking and Regression Calibration: Methods to Address Bias from Correlated Covariate and Time-to-Event Error},
author = {Eric J. Oh and Bryan E. Shepherd and Thomas Lumley and Pamela A. Shaw},
journal= {arXiv preprint arXiv:1905.08330},
year = {2020}
}