发布时间

您是否知道，荟萃分析与后续的大型随机对照试验之间的差异可能高达 100 倍？这表明，在观察性研究中，拥有强有力的因果推断方法至关重要。有时，进行随机对照试验既不可行也不合适。这时，高级倾向评分分析(PSA) 就派上了用场。它是一种强大的观察性研究工具，可以用来了解治疗或干预措施的效果。

倾向评分分析正在改变因果推断的格局。它使研究人员能够将观察性研究做得更像随机对照试验。通过校正各组间基线特征的差异，倾向评分分析降低了混杂偏倚。这使得获得关于治疗效果的可靠结果变得更加容易。本指南将向您展示如何使用高级倾向评分方法来改进观察性研究中的因果推断。

关键精华

  • 理解观察性研究中准确的因果推断的重要性，其中 随机对照试验 可能并不总是可行的。
  • 探索基本原理 倾向评分分析，包括其定义、估计以及相对于传统多变量方法的优势。
  • 探索高级 倾向评分 匹配等技术， 逆概率加权和 双重稳健估计，解决复杂的研究问题并增强因果推理。
  • 了解如何利用 机器学习 的算法 倾向得分估计并理解 边际结构模型 和 敏感性分析 加强因果关系主张。
  • 熟悉 软件 和 资源 可用于进行稳健 倾向评分 分析您的研究工作。

倾向评分方法简介

在医学研究中，随机对照试验（RCT）是检验治疗方法的首选方法。其原理是将受试者随机分组，以确保观察到的任何差异均由治疗引起。但有时，由于伦理问题、高昂的成本或可行性有限等原因，RCT 无法实施。这时，观察性研究就成为一个不错的选择。

随机对照试验的局限性

尽管 RCT 最适合证明因果关系，但在某些情况下很难做到。如果有些人没有接受治疗，可能会出现道德问题。此外，RCT 费用昂贵，尤其是对于大型研究而言。此外，它们通常会忽略有其他健康问题或复杂病史的人。

观察性研究的优势

观察性研究利用大量的历史数据，不需要随机分组。这使得它们在无法进行随机对照试验（RCT）时非常有用，例如当存在伦理问题、成本限制或可行性问题时。

“近年来，由于大量历史数据的可用性，观察性研究获得了越来越多的关注。在这些历史数据中，可以观察、记录和比较对象，尽管没有随机处理分配。”

理解倾向评分

倾向评分（PS）在观察性研究中至关重要。它反映了基于初始因素接受治疗的概率。Rosenbaum 和 Rubin 提出了这一概念。他们指出，倾向评分是指在已知初始因素的情况下接受治疗的概率。

定义与估计

研究人员使用逻辑回归等方法来计算倾向性评分。这有助于根据某些因素预测治疗方案。它将复杂的问题简化，从而更容易比较不同群体。

倾向评分分析的优势

  • 降维： PSA 通过使用单一分数简化了平衡多项因素的过程。这使得匹配或调整个人变得更容易。
  • 设计分离： PSA 将平衡因素与发现分开 治疗效果.这让研究人员可以在观察治疗结果之前检查组间是否平衡。

对于无法进行随机测试或不适合进行随机测试的研究，PSA 是一种有效的方法。它可以帮助研究人员通过处理数据偏差来接近随机测试的结果。

“倾向评分分析将多维问题浓缩为一维问题，便于治疗组和对照组之间的比较。”

倾向得分匹配

倾向性评分匹配（PSM）是倾向性评分分析中的一项关键方法。它将得分相近的个体进行配对，从而根据某些因素确定接受治疗的概率。这有助于使两组个体更加相似，降低其他因素的影响。

匹配算法和方法

倾向得分匹配的方法有很多种，每种方法都有其优缺点。一些常见的方法包括：

  • 最近邻匹配：这会将每个处理单元与最近的控制单元配对。
  • 最优匹配：此方法尝试平衡配对以实现最佳匹配。
  • 基因匹配：这使用一种进化算法来达到最佳平衡。

正确的方法取决于数据大小、因素数量和所需的平衡。

匹配方式描述优势限制
最近的邻居将每个处理单元与具有最接近倾向得分的控制单元配对。实现简单，可以处理 大型数据集.如果找不到合适的匹配，则可能出现匹配度不高的情况，从而丢失数据。
最优匹配旨在最小化匹配对之间的总距离，确保最佳的整体平衡。提供治疗组和对照组之间的最佳平衡。计算密集型，可能具有挑战性 大型数据集.
基因匹配使用进化算法来找到协变量的最优权重集，从而实现最佳的协变量平衡。数据驱动的方法，可以处理复杂的协变量关系。需要仔细调整算法参数，可能不太容易解释。

选择方法应与研究问题和数据相匹配。考虑平衡性、效率和可行性，以选择最佳方法。

逆概率加权

研究人员经常会遇到观测数据中混杂变量的问题。逆概率加权法（IPW）是一种解决此问题的方法。它通过重新加权数据，使其与随机实验相匹配。

IPW 使用倾向得分。这是个人根据其特征获得治疗的机会。通过使用这些分数的倒数，我们可以调整群体之间的差异。

应用逆概率加权

IPW主要有两个步骤：

  1. 估计倾向得分 逻辑回归.这可以根据特征预测治疗机会。
  2. 计算这些分数的倒数作为权重。

这些权重可以调整数据。这让我们能够发现因果关系，同时忽略混杂因素。当试验不可能或不合乎道德时，它很有用。

IPW 可能导致极端权重，从而造成偏差。为了解决这个问题，研究人员使用权重稳定或截断等技术来获得更好的结果。

逆概率加权

IPW 可以处理诸如随时间变化的混杂因素或信息性删失等复杂问题。它是从观察数据中得出因果结论的有力工具。

“逆概率加权是一种多功能方法，可以帮助研究人员从观察数据中得出有效的因果结论，前提是满足必要的假设。”

IPW 的成功取决于选择正确的协变量并检查组平衡。这种方法可以帮助研究人员在无需随机实验的情况下做出更好的决策。

利用倾向评分进行协变量调整

倾向性评分是研究中的有力工具，有助于匹配治疗组和对照组。它还可以通过协变量调整来控制混杂因素。该方法将估计的倾向性评分作为协变量纳入结果模型。

这种方法能帮助研究人员更好地处理混杂因素。通过在回归模型中加入倾向评分，可以平衡各组之间的差异，从而提高治疗效果估计的准确性。

利用倾向评分进行协变量调整的方法广泛应用于医疗保健和社会科学等诸多领域。它是一种灵活而有效的处理混杂因素的方法，有助于理解治疗与结果之间的因果关系。

米制价值
访问次数28k
引用次数36
Altmetric 分数6

使用倾向评分进行调整时，请确保模型规范。此外，检查治疗组和对照组是否有足够的重叠。研究人员应考虑可能的残留混杂因素，并进行敏感性分析来检查其结果。

“倾向评分调整可以成为解决观察性研究中混杂因素的有力工具，但它需要仔细考虑和实施，以确保有效的因果推断。”

利用倾向评分进行协变量调整是一种灵活有效的控制混杂因素的方法。它有助于研究人员从观察性数据中获得更可靠的见解。这种方法使研究更加严谨有效，从而有助于做出更明智的决策并提出更合理的政策建议。

双重稳健估计

在难以进行随机分组的研究中，研究人员通常使用倾向评分法和回归分析来确定暴露因素对结果的影响。双重稳健估计法融合了这两种方法，从而能够更有效地处理混杂变量。

这种方法很棒，因为只需要两个模型中的一个正确，就能产生真正的治疗效果。这比以前依赖于一个模型正确的方法要好。

结合倾向评分和回归

首先，构建倾向评分模型，根据协变量预测接受治疗的概率。然后，使用回归模型，并将倾向评分作为协变量。该方法能够充分利用所有数据，给出精确的估计结果。

这种方法很特别，因为只要倾向得分或结果模型正确，结果就是无偏的。即使其中一个模型错误，双重稳健估计量仍能给出有效结果。这使得它成为不进行随机化研究的有力工具。

途径倾向评分模型正确结果回归模型正确无偏估计
倾向得分匹配是没有是
回归调整没有是是
双重稳健估计没有没有是

双重稳健估计结合了倾向得分和回归，现已成为观察性研究的首选。它可以帮助研究人员提出更有力的因果论断，并提高其结果的可信度。

“双重稳健估计是一种强大的工具，它结合了倾向得分方法和回归方法的优势，为观察性研究中因果效应的估计提供了一种更稳健、更可靠的方法。”

边际结构模型

边际结构模型（MSM）是因果推断的关键工具。当因素随时间变化时，它们有助于估计处理效应。这在纵向研究中尤为有用，因为纵向研究中处理选择和结果之间存在关联。

多重状态模型（ MSM）的核心是逆概率加权（IPW） 。该方法创建了一个虚拟人群，其中治疗和混杂因素之间没有关联。它有助于研究人员了解治疗序列如何随时间推移影响结果。这在处理随时间变化的治疗和随时间变化的混杂因素时至关重要。

MSM 的新改进主要集中在提升 IPW 估计器的性能上。协变量平衡权重 (CBW) 方法有助于平衡协变量并改进 IPW 估计。这一点至关重要，因为旧方法可能效率低下且不稳定。

MSM 的联合校准方法解决了诸如改变混杂因素和不同类型的治疗等复杂问题。它使用特殊权重、模型和优化来提高效率和灵活性。

因果推断日益普及，多状态模型（MSM）在生物医学研究和流行病学等领域也越来越受欢迎。这些方法有助于研究人员理解治疗方法、混杂因素和结果之间复杂的相互关系，从而加深我们对复杂因果机制的认识。

“边际结构模型允许调整与时间相关的混杂因素，而不会产生偏差，因为可以直接调整受治疗影响的协变量。”

倾向得分估计的机器学习

机器学习的最新进展改变了我们进行倾向得分估计的方式。现在，我们拥有更灵活、更强大的方法，例如广义提升模型。这些方法可以处理协变量和处理分配之间复杂的关联关系。

这些机器学习方法优于传统的参数模型。它们能够捕捉数据中的非线性和非加性特征，从而在观察性研究中实现更准确的因果推断。通过使用梯度提升等算法，研究人员现在即使在存在众多协变量的情况下，也能更准确地估计倾向得分。

一种创新方法是使用超级学习器（Super Learner）。这是一种数据自适应方法，它结合了多种机器学习算法，以更好地估计倾向得分。在传统逻辑回归效果不佳的情况下，这种集成方法表现更佳。

付款方式优势限制
广义增强模型
  • 灵活捕捉非线性和非附加关系
  • 对大量协变量有效
  • 改进了偏差减少和置信区间覆盖的一致性
  • 计算复杂度增加
  • 如果调整不当，可能会出现过度拟合
超级学习者
  • 结合多种机器学习算法以获得最佳性能
  • 在模型错误指定的情况下改善协变量平衡并减少偏差
  • 需要仔细选择和调整组件算法
  • 可能增加计算负担

倾向得分估计领域正在不断发展，而机器学习技术是推动这一进步的关键。它们有望使从观察性研究中得出的因果推断更加可靠和有效。

倾向得分估计的机器学习

“机器学习技术的整合对于提高从观察性研究中得出的因果推断的可靠性和有效性具有巨大的潜力。”

时变治疗和纵向研究

观察性研究通常关注随时间推移而变化的治疗方法，并且会使用长期收集的数据。在这种情况下，处理时间相关的混杂因素对于获得关于治疗方法如何发挥作用的准确结果至关重要。

解决时间依赖性混杂因素

仅向模型添加协变量可能无法很好地处理时间依赖性混杂因素。这些因素会影响治疗和结果。这使得很难看到治疗的真实效果。

为了解决这个问题，我们使用边际结构模型（MSM）和序贯条件均值模型（SCMM）。这些方法使用特殊的权重来调整没有随机处理分配的研究中存在的偏差。

  1. 边际结构模型 MSM 帮助我们了解治疗随时间推移的效果。它们会创建一个虚假人群，其中混杂因素不会影响治疗选择。
  2. 序贯条件均值模型 (SCMM) 适用于重复数据研究。它们使用特殊方法获得无偏结果，前提是满足某些条件。

这些先进方法，包括逆概率加权法（IPTW），能够帮助研究人员处理复杂数据，从而得出关于治疗效果随时间变化的更可靠的结论。

“纵向数据有可能辨别出与干预相关的结果变量随时间的变化模式，从而增强对治疗和结果之间的时间关系的理解。”

敏感性分析和隐藏偏差

在观察性研究中，即使采用倾向评分法，也存在隐性偏倚的担忧。敏感性分析是检验这些偏倚强度的关键。它有助于我们了解隐性偏倚会对研究结果产生多大影响。

研究人员开发了一种敏感性分析方法。该方法使用基于倾向得分的一维敏感性函数（SF）。通过改变关于SF的假设，SF校正后的估计量有助于理解处理效应。

该方法使用线性和二次等简单函数构建 SF 校正估计量。它使 SF 更容易更改和测试不同的场景。分析师可以尝试使用各种值的常数、线性或二次 SF。这些值来自数据、文献和专家知识。

  • 灵敏度分析 是了解不受控制的混杂因素如何影响研究结果的关键。
  • SF 衡量未测量的混杂因素如何改变组间结果的差异。
  • 敏感性分析显示 隐藏的偏见 可能会颠覆非实验研究的结果。

通过敏感性分析，研究人员可以了解研究结果的可靠性，并理解未测量的混杂因素的影响。这使得他们的研究更加可靠和有效。

倾向评分分析的软件和资源

倾向评分分析是观察性研究中的一项关键方法。许多软件包和资源可以帮助研究人员使用这些方法。无论您是使用R 语言编程还是探索其他平台，都有多种工具可供选择。这些工具可以帮助您进行倾向评分分析，并从数据中获得深刻的洞察。

R 编程语言是进行此类分析的首选。它拥有诸如MatchIt、WeightIt和Cobalt等专为此设计的软件包。这些软件包提供了估计倾向得分、匹配和加权数据以及进行敏感性分析所需的一切功能。R 语言的优势在于其灵活性以及庞大的用户社区，用户之间可以互相帮助。

但R语言并非唯一的选择。以下是一些其他用于倾向得分分析的软件工具：

  • 到过 – 具有如下命令和包 匹配2 和 效果 用于估计和分析倾向得分。
  • SAS – 包括以下程序 匹配过程 和 因果关系程序 用于应用倾向评分方法。
  • SPSS软件 – 有 倾向得分匹配 执行模块 倾向得分匹配 和分析。

此外，还有许多在线资源和教程可以帮助研究人员学习倾向得分分析。您可以找到学术论文、博客文章和视频，这些资料解释了相关理论以及如何在实际应用中使用它。

有了这些软件包和资源，研究人员可以应对复杂的倾向评分分析世界。他们可以将这些先进的方法应用于他们的研究。这有助于他们获得有价值的见解并超越老式方法的限制。

结语

当无法进行临床试验时，倾向评分法是提高观察性研究中因果推断能力的关键。本指南涵盖了高级倾向评分技术，包括匹配、逆概率加权、双重稳健估计和机器学习方法。通过学习和运用这些技术，研究人员可以更好地理解观察性数据中的治疗效果，从而增强临床实践的证据支持。

该指南指出了常见的逆概率加权法的局限性。它可能受到极端分数的影响，导致估计值出现偏差和变化。修剪方法有所帮助，但可能对截止值选择敏感并减少样本量。另一方面，重叠加权法通过关注处理间特征重叠最多的种群来解决这些问题。

随着电子健康记录、账单索赔和登记等数据源的增多，强大的倾向评分方法至关重要。掌握这些技术可让研究人员充分利用观察数据。这有助于为临床决策提供信息，并推动因果推理领域的发展。

常见问题解答

随机对照试验（RCT）对于因果推断的局限性是什么？

RCT 是了解因果关系的首选。然而，它们面临着道德障碍、高成本和可行性问题等挑战。这些障碍在某些情况下尤其明显。

观察性研究对于因果推断有何优势？

由于有大量历史数据可供利用，观察性研究正日益受到重视。当无法进行随机对照试验时，观察性研究提供了一种可行的替代方案。

什么是倾向得分？如何估算？

倾向评分 (PS) 是根据某些初始因素得出的接受治疗的几率。它通常使用逻辑回归等模型来计算。这些模型根据这些因素预测治疗效果。

倾向评分分析（PSA）与传统平衡方法相比有哪些优势？

PSA 具有很大的优势。它将复杂的数据简化为单一分数，使匹配变得更容易。它还明确区分了平衡和效果估计。

什么是倾向得分匹配（PSM）？它是如何工作的？

PSM 是一种 PSA 方法，可将具有相似 PS 的单元配对。它使用各种算法进行匹配，旨在创建平衡的数据集。这使得治疗组和对照组更加相似。

什么是逆概率加权（IPW），它在倾向评分分析中如何发挥作用？

IPW 是一种 PSA 方法，可调整数据以模拟随机试验。它使用 PS 的倒数来衡量数据。这有助于平衡组间差异以进行效果评估。

倾向得分如何用作回归模型中的协变量？

通过在回归模型中添加倾向得分，我们可以控制群体间特征的差异。这有助于更好地理解治疗效果。

什么是双重稳健估计，它如何结合倾向得分方法和回归方法的优点？

双重稳健估计可同时估计 PS 模型和结果模型。只要其中一个模型正确，它便可给出无偏治疗效果估计。

什么是边际结构模型 (MSM)，以及如何在存在随时间变化的处理和随时间变化的混杂因素的情况下使用它们来估计因果效应？

MSM 扩展了 PSA，以处理随时间变化的治疗和混杂因素。它们使用加权来平衡伪群体。这可以实现准确的因果效应估计。

如何使用机器学习技术进行倾向得分估计？

机器学习带来了诸如广义提升模型等用于倾向评分估计的新方法。这些方法灵活且功能强大，尤其适用于存在大量协变量或复杂关系的情况。

如何进行敏感性分析来评估倾向评分方法对未测量混杂因素的稳健性？

敏感性分析检验研究结果在面对潜在偏差时的有效性。它们揭示了未测量的混杂因素达到何种程度可能会改变研究结果。

有哪些软件和资源可用于进行倾向评分分析？

市场上有许多适用于 PSA 的软件和资源，例如 R 语言。它们提供用于评估分数、匹配、加权和敏感性测试的工具。

源链接