×
Choi、Byeong Yeob;王振平;乔尔·米查莱克;乔纳森·盖尔方德

倾向评分法的功效比较。 （英语） Zbl 1417.65031号

计算。斯达。 34，第2号，743-761（2019）.
摘要：我们通过模拟比较了四种倾向得分（PS）方法：最大似然（ML）、广义提升模型（GBM）、协变量平衡倾向得分（CBPS）和广义可加模型（GAM）。尽管这些方法在估计因果治疗效果方面表现优于ML，但尚未在I型误差和功率方面进行比较，也未研究治疗暴露率对PS方法的影响。为了填补这些空白，我们考虑了四种不同于倾向评分模型复杂性和暴露流行率范围的模拟场景。使用logistic回归的ML、CBPS和GAM以及GBM来估计倾向得分权重。我们使用这些倾向权重来估计治疗对二元结果的平均治疗效果。仿真结果表明：（1）在所研究的四种场景中，CBPS在I型误差、功率和均方误差方面总体上都优于CBPS；（2） 在复杂模型下，GBM和GAM的偏差小于CBPS和ML；（3） 当治疗暴露很少时，ML表现良好。

引用于1文件

MSC公司：

62-08 统计问题的计算方法

关键词：

协变量平衡;模拟;加权

软件：

调查;千兆字节;伽马
PDF格式BibTeX公司 XML格式引用
\textit{B.Y.Choi}等人，计算。Stat.34，No.2，743--761（2019；Zbl 1417.65031）
全文： DOI程序

参考文献：

[1] Austin PC（2009）平衡诊断，用于比较各治疗组在倾向匹配样本中基线协变量的分布。《统计医学》28（25）：3083-3107。https://doi.org/10.1002/sim.3697 ·数字对象标识代码：10.1002/sim.3697
[2] Austin PC（2011）《减少观察性研究中混淆影响的倾向评分方法介绍》。Multivar Behav Res 46（3:SI）：399-424。https://doi.org/10.1080/00273171.2011.568786 ·doi:10.1080/00273171.2011.568786
[3] Brookhart M，Schneeweiss S，Rothman K，Glynn R，Avorn J，Sturmer T（2006）倾向得分模型的变量选择。《美国流行病学杂志》163（12）：1149-1156。https://doi.org/10.1093/aje/kwj149 ·doi:10.1093/aje/kwj149
[4] Brookhart MA，Wyss R，Layton JB，Stuerner T（2013）非实验研究中混杂控制的倾向性评分方法。循环心血管质量结果6（5）：604-611。https://doi.org/10.1161/CIRCOUTCOMES.113.000359 ·doi:10.1161/CIRCCOUTCOMES.113.000359
[5] Friedman J（2001）贪婪函数近似：梯度提升机。Ann Stat 29（5）：1189-1232。https://doi.org/10.1214/aos/1013203451 ·Zbl 1043.62034号 ·doi:10.1214/aos/1013203451
[6] Hastie T（2016）gam：广义加性模型。https://CRAN.R-project.org/package=gam，R软件包版本1.14
[7] Hastie T，Tibshirani R（1990）广义可加模型。查普曼和霍尔，伦敦·Zbl 0747.62061号
[8] Imai K，Ratkovic M（2014）协变量平衡倾向得分。J R Stat Soc Ser B Stat Methodol杂志76（1）：243-263。https://doi.org/10.1111/rssb.12027 ·Zbl 1411.62025号 ·doi:10.1111/rssb.12027
[9] Koch B、Vock D、Wolfson J（2017年），因果效应的群体套索和双稳健估计协变量选择。生物计量学74（1）：8-17·兹比尔1415.62110 ·doi:10.1111/biom.12736
[10] Lee BK，Lessler J，Stuart EA（2010）使用机器学习改进倾向得分权重。《统计医学》29（3）：337-346。https://doi.org/10.1002/sim.3782 ·doi:10.1002/sim.3782
[11] Lee BK、Lessler J、Stuart EA（2011）体重调整和倾向评分加权。公共科学图书馆·综合6（3）：e18174。https://doi.org/10.1371/journal.pone.0018174 ·doi:10.1371/journal.pone.0018174
[12] Lumley T（2017）调查：复杂调查样本分析。R包版本3.32
[13] McCaffrey D，Ridgeway G，Morral A（2004），在观察性研究中评估因果效应的增强回归倾向得分估计。心理学方法9（4）：403-425。https://doi.org/10.1037/1082-989X.9.4.403 ·doi:10.1037/1082-989X.9.4.403
[14] Pirracchio R，Carone M（2016）The Balance Super Learner：一种对超级学习者的稳健适应，以改进基于倾向得分匹配的被治疗者平均治疗效果的估计。统计方法医学研究27（8）：2504-2518·doi:10.1177/0962280216682055
[15] Pirrachio R，Petersen ML，van der Laan M（2015）使用超级学习器提高倾向得分估计器对模型错误指定的稳健性。《美国流行病学杂志》181（2）：108+。https://doi.org/10.1093/aje/kwu253 ·doi:10.1093/aje/kwu253
[16] Ridgeway G（2017）gbm：广义增强回归模型。https://CRAN.R-project.org/package=gbm，R包版本2.1.3
[17] Rosenbaum P，Rubin D（1983）倾向评分在因果效应观察性研究中的中心作用。生物医学70（1）：41-55。https://doi.org/10.1093/biomet/70.1.41 ·Zbl 0522.62091号 ·doi:10.1093/biomet/70.1.41
[18] Setodji CM、McCaffrey DE、Burgette LF、Almirarlal D、Griffin BA（2017）工作的正确工具：在协变量平衡和广义增强模型倾向得分之间进行选择。流行病学28（6）:802-811。https://doi.org/10.1097/EDE.0000000000734 ·doi:10.1097/EDE.00000000000734
[19] Setoguchi S、Schneeweiss S、Brookhart MA、Glynn RJ、Cook EF（2008）《评估数据挖掘技术在倾向得分估计中的应用：模拟研究》。药物流行病学药物Saf 17（6）：546-555。https://doi.org/10.1002/pds.1555 ·doi:10.1002/pds.1555
[20] Shortreed SM，Ertefaie A（2017）结果适应套索：因果推理的变量选择。生物统计学73（4）：1111-1122。https://doi.org/10.1111/biom.12679 ·Zbl 1405.62203号 ·doi:10.1111/biom.12679
[21] Westreich D、Cole SR、Funk MJ、Brookhart MA、Stuermer T（2011）《c统计量在倾向得分模型变量选择中的作用》。药物流行病学药物Saf 20（3）：317-320。https://doi.org/10.1002/pds.2074 ·doi:10.1002/pds.2074
[22] Woo MJ，Reiter JP，Karr AF（2008）使用广义加性模型估计倾向得分。《Stat Med》27（19）：3805-3816。https://doi.org/10.1002/sim.3278 ·doi:10.1002/sim.3278
[23] Wyss R、Ellis AR、Brookhart MA、Girman CJ、Funk MJ、LoCasale R、Stuermer T（2014）预测建模在倾向得分估计中的作用：logistic回归评估、bCART和协变量平衡倾向得分。《美国流行病学杂志》180（6）：645-655。https://doi.org/10.1093/aje/kwu181 ·doi:10.1093/aje/kwu181
此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。