倾向评分已成为观察性研究中混杂因素调整的常用方法。基本思想是模拟接受治疗或暴露的概率如何取决于混杂因素,即要治疗的“倾向”。
首先要注意的是,人们不会认为倾向评分在RCT中起作用。如上所述,倾向评分用于调整观察性研究中的混淆。在RCT中,随机化确保治疗和其他基线变量在统计学上是独立的,即没有混淆。那么倾向得分有什么用呢?
治疗加权方法的逆概率
在论文中,Williamson,Forbes和White描述了如何使用倾向得分来获得效率提高的治疗效果评估(较小的标准误差)。该方法与标准方法相同,其中人们估计倾向评分模型,然后拟合通过倾向评分的倒数加权的结果模型。因此,在第一步中,我们拟合二元治疗指标的模型,基线变量作为协变量。通常我们会使用逻辑回归模型进行建模。
从拟合的倾向评分模型中,我们获得试验中每个受试者的估计接受治疗的概率(而不是对照)。对于二元结果,我们可以拟合逻辑或对数链接回归来估计比值比或风险比。
模拟研究
对于实际的方法,我们可以使用二元结果和正态分布的基线变量进行小型模拟研究。我们使用逻辑回归模型生成。然后,我们使用基线变量(未调整的分析)估算优势比,然后实施IPTW估算器:
###模拟研究 nSim < - 1000 n < - 1000 unadjustedEst < - array(0,dim = nSim) IPTW_Est < - array(0,dim = nSim) for(i in 1:nSim){ z < - 1 *(runif(n)<0.5) x < - rnorm(n) xb < - x + z prob < - exp(xb)/(1 + exp(xb)) y < - 1 *(runif(n)<prob) 未调整的< - glm(y~z,family = binomial) #IPTW估算 #first我们适合倾向评分模型 propModel < - glm(z~x,family = binomial) fitted_p < - 拟合(propModel) #calculate权重 wgt < - 1 / fitted_p wgt [z == 0] < - 1 /(1-fitted_p [z == 0]) iptwMod < - glm(y~z,family = binomial,weight = wgt) IPTW_Est [i] < - iptwMod $ coef [2] }
然后,我们通过观察1000个模拟中的平均值和经验值SD来查看两个估算器的性能:
> mean(unadjustedEst) [1] 0.8392246 > sd(unadjustedEst) [1] 0.1353718 > > mean(IPTW_Est) [1] 0.8364911 > sd(IPTW_Est) [1] 0.1220977
我们首先注意到平均对数比值比处理效果估计值约为0.84,而不是数据生成机制中使用的值1。这是因为0.84是边际优势比,而1是条件优势比。
接下来,我们看到IPTW估计器在重复样本中的变量小于标准的未调整估计器。因此,我们通过使用基线变量获得了效率。