学习笔记:临床回顾性研究实用指南(九)混杂因素的控制方法

定义：在给定一组观测到的预处理协变量的条件下，某个个体接受特定治疗（或暴露）的条件概率 取值范围[0,1]

核心价值：将多维混杂变量压缩为一维得分，简化混杂校正过程，使观察性研究结果更接近随机对照试验（RCT）的可靠性。

处理组：    ████████████████████  倾向评分分布对照组：        ████████████████████  分布重叠良好            0.0      0.5      1.0

处理组：    ████████████████████████  集中在高值对照组：    ████                      集中在低值            0.0      0.5      1.0

倾向性研究匹配

基本思想：将处理组和对照组倾向性评分相近或相同的研究对象配对

步骤：

1.估计倾向性评分值：Logistic 回归、Probit 回归、机器学习法（支持

向量机、回归树、随机森林和神经网络）；

2.进行匹配：为1 : 1 无放回的卡钳贪婪匹配、最优匹配、无放回的匹配、最邻近匹配、1：M的匹配；

3.评估协变量组间均衡性：即评估处理组与对照组基线协变量的相似程度，一定程度上反映了匹配的质量；目的为比较样本间可比性。

一般用SD来评价，对于连续性变量和分类变量，其计算公式不同。

4.结局效应估计：协变量已经均衡，可以直接比较处理组和对照组对象的结局指标来估计处理效应。

5.敏感性分析：从以下角度进行考虑

注意事项：

1.倾向性评分匹配适用情形：本质是因果推断，有两个前提假设：①所有混杂因素均被观测到，②研究对象均有可能接受所有的处理；不能控制时依性混杂；

2.估计倾向性评分模型自变量的选择：

至少符合以下四个标准：

a.选入的因素一定是发生在接受处理因素之后的变量；

b.可以选入只与结局因素有关的变量；

c.可以选入既和结局因素有关又和处理因素有关的变量； 

d.不可以选入只与处理因素有关的变量。

3.倾向性评分匹配vs多变量回归分析

倾向性评分逆概率加权

框架基础：边缘结构模型

基本思想：首先构造逆概率权重，然后通过该权重对原始样本进行加权，构建一个虚拟人群

概念：个体处理效应、平均处理效应、接受处理人群的处理效应

平均处理效应

处理组对象的权重为

对照组对象的权重为

其中， PS为该对象的倾向性评分值。

接受处理人群的处理效应

处理对象的权重为

对照组对象的权重为

有意思的新名词

反事实框架Counterfactual Framework 一种思考因果关系的逻辑结构 如果当时没有这样，会怎样？ 其根本困境在于：不可能同时观察到两种状态 反事实的根本不可观测性Fundamental Problem of Causal Inference 场景理解2：接受治疗vs未接受治疗 场景理解1：评估药物对细胞凋亡的影响 核心假设：对照组是处理组的良好反事实替代

【这则学习笔记更新的比较慢

一则 从未接触过的概念学起来就是比较吃力，大概看了两三遍才能觉得自己大概看懂是怎么回事儿，才将其记录下来。学习新东西，一是梳理框架，二是反复琢磨，如是而已；

二是 近期事情繁多，学习时间有限；学习是重要的，锻炼身体、维系亲情、保持心情愉快也是很重要的。一切顺其自然，只要内心还在惦着学习就好

另外，学不进去的时候看了看《女士品茶》，真的很有趣，即便是《女士品茶》这种偏科普类书籍，有些地方也是要反复看几遍才能看懂的。费希尔Fisher的天才形象已经在我心中牢牢树立了，只是，即便是这样的天才，也有不能逾越的学术障碍，似乎对于安慰自己也蛮有一些帮助。统计学和统计学的历史，都可以帮助人们缓解焦虑，如此甚好~总归有一天，要写写《女士品茶》的读后感，写写统计学如何并以何种程度帮我对抗焦虑。】

以上内容援引自《临床回顾性研究实用指南》，系自行学习总结，如有版权问题请联系删除。