匹配调整间接比较的统计性能
应用统计
2020-04-09 v2 统计方法学
摘要
在缺乏头对头随机比较的情况下，跨独立研究的处理特异性结果的间接比较常为决策提供依据。研究人群间基线特征的差异可能在此类比较中引入混杂偏倚。匹配调整间接比较（MAIC）（Signorovitch 等，2010）已在仅一项研究具有个体患者水平数据（IPD）而另一项研究具有汇总数据（AGD）时，用于调整观测基线协变量的差异。该方法利用试验选择几率的估计对 IPD 的结果进行加权，以平衡 IPD 与 AGD 间的基线协变量。随着 MAIC 使用的增加，亟需对其统计性质进行正式评估。本文中，我们为证明 MAIC 估计量合理的因果估计量建立识别假设。随后我们考察大样本性质，并评估在两项研究均不具完整 IPD 时估计标准误的策略。通过模拟评估了 MAIC 的有限样本偏倚以及基于不同标准误估计量的置信区间表现。该方法通过比较杜氏肌营养不良中安慰剂组与自然病史结果的实例加以说明。
引用
@article{arxiv.1910.06449,
title = {The Statistical Performance of Matching-Adjusted Indirect Comparisons},
author = {David Cheng and Rajeev Ayyagari and James Signorovitch},
journal= {arXiv preprint arXiv:1910.06449},
year = {2020}
}
备注
36 pages, 3 figures; Revised version