[论文解读] Does adjustment for measurement error induce positive bias if there is no true association?

Igor Burstyn|ArXiv.org|Feb 6, 2009

Statistical Methods and Bayesian Inference参考文献 15被引用 5

一句话总结

本文研究在无真实关联的情况下，流行病学研究中对测量误差进行校正是否会引致虚假的正相关关系。通过在经典乘法误差模型下使用模拟研究和贝叶斯方法，研究发现适当的校正不会引致正向偏差；相反，此类偏差仅源于不合理强烈的先验分布，而非校正方法本身。

ABSTRACT

This article is a response to an off-the-record discussion that I had at an international meeting of epidemiologists. It centered on a concern, perhaps widely spread, that measurement error adjustment methods can induce positive bias in results of epidemiological studies when there is no true association. I trace the possible history of this supposition and test it in a simulation study of both continuous and binary health outcomes under a classical multiplicative measurement error model. A Bayesian measurement adjustment method is used. The main conclusion is that adjustment for the presumed measurement error does not 'induce' positive associations, especially if the focus of the interpretation of the result is taken away from the point estimate. This is in line with properties of earlier measurement error adjustment methods introduced to epidemiologists in the 1990s. An heuristic argument is provided to support the generalizability of this observation in the Bayesian framework. I find that when there is no true association, positive bias can only be induced by indefensible manipulation of the priors, such that they dominate the data. The misconception about bias induced by measurement error adjustment should be more clearly explained during the training of epidemiologists to ensure the appropriate (and wider) use of measurement error correction procedures. The simple message that can be derived from this paper is: 'Do not focus on point estimates, but mind the gap between boundaries that reflect variability in the estimate'. And of course: 'Treat measurement error as a tractable problem that deserves much more attention than just a qualitative (throw-away) discussion'.

研究动机与目标

• 解决流行病学家中普遍存在的担忧：即测量误差校正方法可能错误地引致正相关关系。
• 检验在暴露与结局之间无真实关联时，贝叶斯测量误差校正是否会引入偏差。
• 澄清关于测量误差校正方法在统计分析中行为的误解。
• 强调在解释校正结果时，应关注可信区间而非点估计的重要性。
• 倡导在流行病学研究中对测量误差采取更严格、更量化的处理方式，而非轻率的定性评论。

提出的方法

• 在连续和二分类健康结局的古典乘法测量误差模型下开展模拟研究。
• 应用具有弱信息先验的贝叶斯测量误差校正方法，以估计校正后的效应大小。
• 在无真实关联的原假设下，将校正分析结果与未校正模型的结果进行比较。
• 评估在模拟中第一类错误的频率以及估计效应大小的分布情况。
• 使用启发式论证支持研究发现在此贝叶斯框架下的普遍适用性。
• 评估先验设定对偏差的影响，特别是当先验在缺乏强证据时主导数据时的情况。

实验结果

研究问题

• RQ1 当暴露与结局之间无真实关联时，流行病学研究中的测量误差校正是否会引致正向偏差？
• RQ2 在何种条件下，测量误差校正可能导致虚假关联，特别是在贝叶斯框架下？
• RQ3 先验分布的选择如何影响测量误差校正估计中偏差的潜在可能性？
• RQ4 与完整的不确定性区间相比，点估计在已校正分析中误导性的程度如何？
• RQ5 为何存在一种根深蒂固的误解，认为测量误差校正会制造虚假关联？

主要发现

• 在先验分布不过于强烈的情况下，当无真实关联时，测量误差校正不会引致正向偏差。
• 模拟结果表明，在正确设定先验的情况下，第一类错误率保持在名义水平（例如5%）附近，表明无系统性偏差。
• 仅当先验主导数据时，才会出现正向偏差，这反映的是方法误用，而非校正技术本身的缺陷。
• 贝叶斯测量误差校正方法在原假设下保持了推断的有效性，与20世纪90年代开发的早期方法一致。
• 研究证实，主要担忧来源——对点估计的误解——可通过关注可信区间来缓解。
• 研究结果支持将测量误差校正作为流行病学研究中一种有效且必要的工具，前提是承认并建模了测量误差。