|
前面，我们已经有过四篇关于倾向性评分的文章：倾向性评分分析、手把手教你SAS实现倾向性评分匹配、倾向性评分overlapping weighting的SAS实现（一）以及生存资料倾向性评分OW的SAS实现（二）。从代码实现的角度来说，是可以很轻松实现的。今天我们还是重点汇总一次在做倾向性评分分析时，需要重点考虑的一些统计学问题。 与RCT的原则比较RCT中，接受何种处理与其潜在结局之间是相互独立的，这就意味着ATE（average treatment effect）等同于ATT（average treatment effect for the treated）。而在真实世界研究（RWS）中，由于混杂的存在，ATE与ATT并非等价。当我们基于倾向性评分（propensity score, PS）分析时，条件是，在给定的可观测的协变量组合下，处理与结局之间是条件独立的（即strongly ignorable），此时，我们认为关于处理的分配达到了 降维由于PS是协变量的一个函数，无论有多少个协变量，最后都可以综合成为一个PS，因而，PS实际起到了降维的作用。而在后续的分析中，研究者仍然可以将一些重要协变量的子集和PS纳入分析之中。 协变量选择对于RWS，主要重点在于混杂偏倚的控制。  很显然，如上图所示，PS主要是选择混杂变量C来计算进入处理组的概率。PS本身不是控制混杂，而是通过后续的匹配、分层、加权或者回归调整的方法，不同程度地提高组间非研究因素的均衡可比性，从而削弱非研究因素（协变量）对处理效应估计的影响。 因而，在协变量的选择中，结合专业知识，我们需要尽可能排除中介变量M、collider B以及工具变量IV，尽可能纳入所有已测量的混杂因素，当然，需要同时考虑到样本量的问题。一般地，有效样本量的考虑基于协变量数的10-20倍来计算。 需要注意的是，PS不适用于时依性协变量的混杂控制。此外，处理随时间发生变化或较为罕见时，PS可能失效。 PS分析无论采用何种PS计算模型（logistic、机器学习等），每位观测对象进入处理组的概率均需不为零（即positivity）。得到PS后，需检验overlap assumption，即组间的PS需要交叉重叠（common support）。一般地，若某观测的PS值高于对照组PS的最大值或低于对照组PS的最小值，可考虑删去该观测；而若重叠范围有限，则不宜采用PS。 另外，PS后组间协变量应达到均衡，但是这个均衡并非针对实际的人群而言，也没有必要，只是针对当前进行PS的分组样本而言，因而，不需要通过假设检验的统计推断方法来进行检验。目前，用于评价组间均衡性的方法standardized mean difference (SMD)、图形法展示等。 还有重要的一点是，若在PS之后，协变量仍未达到均衡，我们此时可以考虑增加交互性或高次项，如限制性立方样条等，再进行PS，直到协变量达到均衡。流程可以参考如下：  敏感性分析基于不同的PS分析，得到的结果可能不同，一般地，我们需要借助敏感性分析来评估结论的稳定性。 |
|
|
