用于估计边际风险比并最优平衡混杂因子的稳健权重
统计方法学
2021-04-08 v2 应用统计
摘要
协变量平衡在获得观察性研究中处理效应的无偏估计中至关重要。基于逆概率权重的方法已被广泛用于利用观察数据估计处理效应。已有机器学习技术被提出用于估计倾向得分。然而,这些技术以准确性而非协变量平衡为目标。以协变量平衡为目标的方法已被成功提出并大量应用于估计连续结局上的处理效应。但在许多医学与流行病学应用中,关注点在于估计随时间至事件结局的处理效应。对于此类数据,最受关注的一个估计量通常是 Cox 比例风险模型的边际风险比。本文中,我们首先提出稳健正交权重(ROW),这是通过求解一个二次约束优化问题得到的一组权重,该问题在将协变量平衡(定义为混杂因子与处理间的样本相关)作为约束的同时最大化精度。由此,ROW 可最优地处理二元与连续处理。随后,我们在一个模拟研究中评估了所提权重在估计具有时间至事件结局的二元与连续处理的边际风险比时的表现。最后,我们将 ROW 应用于评估激素治疗对冠心病发生时间的影响,以及红肉消费对 24,069 名参与女性健康倡议观察性研究的绝经后女性结肠癌发生时间的影响。
引用
@article{arxiv.2010.07695,
title = {Robust weights that optimally balance confounders for estimating marginal hazard ratios},
author = {Michele Santacatterina},
journal= {arXiv preprint arXiv:2010.07695},
year = {2021}
}