Dự tính mạnh mẽ của việc thực hiện hiệu ứng nhân quả

Có ai biết về một triển khai (khác với macro SAS) của phương pháp ước lượng mạnh gấp đôi được tìm thấy trong:

Funk, MJ, Westreich, D. et al (2011). Ước tính mạnh mẽ của tác động nhân quả. Tạp chí Dịch tễ học Hoa Kỳ, 173 (7): 761-767. [DOI] ?

Dự toán mạnh mẽ gấp đôi thực sự không khó thực hiện bằng ngôn ngữ bạn chọn. Tất cả những gì bạn thực sự làm là kiểm soát các biến theo hai cách, thay vì một - ý tưởng là miễn là một trong hai mô hình được sử dụng để kiểm soát là chính xác, bạn đã kiểm soát thành công để gây nhiễu.

Theo tôi, cách dễ nhất để làm điều đó là sử dụng trọng số nghịch đảo xác suất điều trị (IPTW) để cân trọng lượng tập dữ liệu, sau đó cũng bao gồm các biến trong mô hình hồi quy bình thường. Đây là cách các tác giả tiếp cận vấn đề trong bài báo liên kết ở trên. Ngoài ra còn có các tùy chọn khác, thường được xây dựng dựa trên điểm số xu hướng được sử dụng cho khớp hoặc là đồng biến trong mô hình.

Có rất nhiều lời giới thiệu về IPTW bằng bất kỳ ngôn ngữ thống kê nào bạn thích. Tôi sẽ cung cấp các đoạn mã, nhưng tất cả của tôi đều ở SAS và có thể sẽ đọc rất giống các tác giả.

Tóm lại, những gì bạn làm là mô hình xác suất phơi nhiễm dựa trên các đồng biến của bạn bằng cách sử dụng một cái gì đó như hồi quy logistic và ước tính xác suất phơi nhiễm dự đoán dựa trên mô hình đó. Điều này cung cấp cho bạn một số điểm xu hướng. Xác suất nghịch đảo của Trọng lượng điều trị, như tên cho thấy, 1 / Điểm tỷ lệ. Điều này đôi khi tạo ra các giá trị cực trị, vì vậy một số người ổn định trọng số bằng cách thay thế xác suất cận biên (thu được bằng mô hình hồi quy logistic của kết quả và không có đồng biến) cho 1 trong phương trình trên.

Thay vì coi mỗi đối tượng trong phân tích của bạn là 1 đối tượng, giờ đây bạn coi chúng là n bản sao của một chủ đề, trong đó n là trọng lượng của chúng. Nếu bạn chạy mô hình hồi quy của mình bằng cách sử dụng các trọng số đó và bao gồm cả hiệp phương sai, thì sẽ có một ước tính mạnh mẽ gấp đôi.

Tuy nhiên, một lời cảnh báo: Mặc dù ước tính mạnh mẽ (hoặc gấp ba, v.v.) mang lại cho bạn nhiều cơ hội hơn để xác định mô hình hiệp phương sai chính xác, nhưng điều đó không đảm bảo bạn sẽ làm như vậy. Và quan trọng hơn, không thể cứu bạn khỏi bối rối không thể đo lường được.

Có vẻ như đã có một triển khai trong Stata ngay cả trước khi bài báo bạn trích dẫn được xuất bản: http://www.stata-journal.com/article.html?article=st0149 .

Gói tmle R đã triển khai Công cụ ước tính dựa trên tổn thất tối thiểu được nhắm mục tiêu, mạnh gấp đôi và hiệu quả trong các điều kiện. Nó có lợi thế bổ sung rằng nó là một công cụ ước tính thay thế, trái ngược với IPTW Augmented (là cái mà tôi cho rằng bạn đang đề cập đến).

Tôi có công cụ ước tính được mô tả trong Funk et al. 2011 (tăng trọng số xác suất nghịch đảo), được triển khai trong zEpidthư viện Python 3 trong AIPTWlớp. Chi tiết và cú pháp TẠI ĐÂY . Thư viện cũng bao gồm TMLE, trong trường hợp bạn muốn sử dụng cả hai cách tiếp cận

Có một gói R thực hiện công cụ ước tính DR này của ATE (cũng như một số thứ khác), npcausalgói: https://github.com/ehkennedy/npcausal

Hàm phù hợp với công cụ ước tính DR là ate()