边际结构模型中因混杂变量误分类所致偏倚的敏感性分析

在观察性研究中，若混杂变量被误分类，平均处理效应（ATE）估计量可能存在偏倚。我们讨论了在使用基于逆概率加权估计的边际结构模型（MSMs-IPW）进行分析时，二分类混杂变量中分类误差的影响，并将其与条件回归模型中的影响进行比较，重点关注具有连续结局的点处理研究。利用潜在结局框架，推导了来自 MSM-IPW 和条件模型的 ATE 估计量偏倚的表达式。基于这些表达式，我们提出了一种敏感性分析，以研究和量化 MSMs-IPW 中由混杂变量分类误差引起的偏倚。与条件模型 ATE 估计量的偏倚相比，MSM-IPW 的偏倚在量级上可能不同，但符号总是相同。我们进行了一项模拟研究，以考察当混杂变量被误分类时 MSMs-IPW 和条件模型的有限样本表现。模拟结果表明，与条件模型相比，由 MSM-IPW 获得的处理效应置信区间通常更宽，且真实处理效应的覆盖度更高，范围从无误分类时的过度覆盖到有误分类时较小的欠覆盖。在一项降压治疗研究中展示了利用偏倚表达式指导敏感性分析的应用。考虑处理效应研究中混杂变量分类误差的潜在影响十分重要，而敏感性分析为量化此类误差对因果结论的影响提供了机会。我们开发了一个用于敏感性分析的在线工具：https://lindanab.shinyapps.io/SensitivityAnalysis。