[논문 리뷰] Propensity Score Weighting for Covariate Adjustment in Randomized Clinical Trials

Shuxi Zeng, Fan Li외 2명|arXiv (Cornell University)|2020. 04. 21.

Advanced Causal Inference Techniques참고 문헌 54인용 수 5

한 줄 요약

이 논문은 무작위 임상 시험(RCT)에서 공변량 조정을 위한 역확률가중법(IPW)에 비해 우월한 대안으로 오버랩 가중법(OW)을 제안한다. OW는 성향스코어의 오버랩에서 유도된 가중치를 사용하여 정확한 공변량 균형을 달성하며, 유한 표본에서 효율성을 향상시키고 유의수준 오류 증가를 줄여주어 특히 모형 잘못 설정 또는 중간 정도의 치료 효과 이질성 하에서 IPW를 일관되게 능가한다.

ABSTRACT

Chance imbalance in baseline characteristics is common in randomized clinical trials. Regression adjustment such as the analysis of covariance (ANCOVA) is often used to account for imbalance and increase precision of the treatment effect estimate. An objective alternative is through inverse probability weighting (IPW) of the propensity scores. Although IPW and ANCOVA are asymptotically equivalent, the former may demonstrate inferior performance in finite samples. In this article, we point out that IPW is a special case of the general class of balancing weights, and advocate to use overlap weighting (OW) for covariate adjustment. The OW method has a unique advantage of completely removing chance imbalance when the propensity score is estimated by logistic regression. We show that the OW estimator attains the same semiparametric variance lower bound as the most efficient ANCOVA estimator and the IPW estimator for a continuous outcome, and derive closed-form variance estimators for OW when estimating additive and ratio estimands. Through extensive simulations, we demonstrate OW consistently outperforms IPW in finite samples and improves the efficiency over ANCOVA and augmented IPW when the degree of treatment effect heterogeneity is moderate or when the outcome model is incorrectly specified. We apply the proposed OW estimator to the Best Apnea Interventions for Research (BestAIR) randomized trial to evaluate the effect of continuous positive airway pressure on patient health outcomes. All the discussed propensity score weighting methods are implemented in the R package PSweight.

연구 동기 및 목표

• 무작위 임상 시험(RCT)에서 기초 공변량의 우연적 불균형을 다루어 통계적 검정력과 정밀도를 저하시키는 문제를 해결하기 위해.
• 역확률가중법(IPW)을 개선하기 위해 공변량 조정을 위한 더 효율적이고 강력한 방법을 제안하기 위해.
• 오버랩 가중법(OW)이 정확한 공변량 균형을 달성하고 ANCOVA 및 IPW의 준모수적 효율 한계를 충족함을 보여주기 위해.
• 모형 잘못 설정이나 작은 표본 크기와 같은 다양한 조건 하에서 OW의 성능을 IPW, ANCOVA, 보완된 IPW와 비교하기 위해.
• 광범위한 RCT 분석에의 도입을 위해 R 패키지(PSweight)와 오픈소스 코드를 통해 실용적인 구현 도구를 제공하기 위해.

제안 방법

• IPW를 균형 가중치의 특수한 경우로 형식화하고, 반대 치료 그룹에 할당될 확률에 비례하는 가중치를 사용하는 오버랩 가중법(OW)을 제안한다.
• 연속형 및 이진형 결과에 대해 덧셈 및 비율 추정량(예: 위험비, 오즈비)에 대한 폐쇄형 분산 추정식을 유도한다.
• 연속형 결과에 대해 OW가 준모수적 분산 하한을 달성하여 가장 효율적인 ANCOVA 및 IPW 추정량과 동일한 효율성을 확보함을 입증한다.
• 잠재적 모형 잘못 설정 하에서 강력한 추론을 위해 Huber-White 샌드위치 분산 추정법을 적용한다.
• 다양한 시나리오, 즉 다양한 표본 크기, 치료 효과 이질성, 결과 모형 잘못 설정을 포함한 광범위한 시뮬레이션을 수행한다.
• BestAIR RCT에서 연속적 양압 호흡기 치료의 환자 결과에 대한 영향을 평가하기 위해 OW를 구현하여 실증적 성능를 검증한다.

실험 결과

연구 질문

• RQ1 오버랩 가중법(OW)이 유한 표본에서 효율성과 유의수준 오류 통제 측면에서 역확률가중법(IPW)을 능가하는가?
• RQ2 정확한 성향스코어 모형 설정 하에서 OW가 정확한 공변량 균형을 달성하고 준모수적 효율 한계를 유지하는가?
• RQ3 결과 모형이 잘못 설정되었거나 중간 정도의 치료 효과 이질성이 있는 경우, OW는 ANCOVA 및 보완된 IPW와 비교해 어떻게 성능를 보이는가?
• RQ4 표본 크기와 결과의 희귀성은 OW, IPW, AIPW의 신뢰구간 추정의 커버리지 성질에 어떤 영향을 미치는가?
• RQ5 OW는 하위군 분석, 다중군 시험, 군집 무작위화 설계로 효과적으로 확장될 수 있는가?

주요 결과

• OW는 특히 모형 잘못 설정 하에서의 유의수준 오류 증가를 줄이고 커버리지 성질을 향상시켜, 항상 IPW를 초월하는 유한 표본 성능를 보인다.
• 연속형 결과에 대해 OW는 가장 효율적인 ANCOVA 및 IPW 추정량과 동일한 준모수적 분산 하한을 달성한다.
• 작은 표본 크기(N=50)에서 OW는 위험비와 오즈비에 대해 최악의 경우 과다 커버리지(over-coverage)를 유지하지만, IPW는 심각한 과소 커버리지(under-coverage)를 보인다.
• 결과가 희귀한 경우, IPW, 로지스틱 회귀, AIPW 추정량은 수렴 실패로 인해 심각한 과소 커버리지 문제를 겪지만, OW는 강건성을 유지한다.
• 치료 효과 이질성이 중간 정도이거나 결과 모형이 잘못 설정된 경우, 제안된 OW 추정량은 ANCOVA 및 AIPW보다 효율성을 향상시킨다.
• R 패키지 PSweight는 OW, IPW, AIPW의 즉시 사용 가능한 구현을 제공하며, GitHub에 재현 가능한 코드를 공개하여 실용적 도입을 지원한다.