[論文レビュー] Propensity Score Weighting for Covariate Adjustment in Randomized Clinical Trials

Shuxi Zeng, Fan Li+2 more|arXiv (Cornell University)|Apr 21, 2020

Advanced Causal Inference Techniques参考文献 54被引用数 5

ひとこと要約

本稿は、無作為化臨床試験（RCT）における共変量補正のための逆確率重み付け（IPW）の優れた代替手法として、重複重み付け（OW）を提案する。OWは、傾向スコアの重複に基づく重みを用い、正確な共変量のバランスを達成する。有限標本において、IPWを常に上回り、特にモデル誤指定や中程度の治療効果の異質性下でも、効率性を向上させ、第1種の誤りの増大を低減する。

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.

研究の動機と目的

• 無作為化臨床試験（RCT）におけるベースライン共変量の偶然の不均衡を是正すること。これは、統計的パワーと精度を低下させる要因である。
• 逆確率重み付け（IPW）を改善するため、共変量補正に向けたより効率的で頑健な手法を提案すること。
• 重複重み付け（OW）が正確な共変量のバランスを達成し、ANCOVAおよびIPWの半パラメトリック効率の下限に一致することを示すこと。
• モデル誤指定や小標本サイズの下で、OWがIPW、ANCOVA、および拡張IPW（AIPW）と比較してどのように性能を発揮するかを評価すること。
• Rパッケージ（PSweight）およびオープンソースコードを通じた実用的実装ツールを提供し、RCT解析における広範な採用を促進すること。

提案手法

• IPWをバランス重みの特別なケースとして形式化し、逆治療群への割り当て確率に比例する重みを用いる重複重み付け（OW）を導入する。
• 連続変数および二値変数の結果に対して、加法的および比推定統計量（例：リスク比、オッズ比）の閉形式の分散推定式を導出する。
• OWが連続変数の結果に関して、半パラメトリック分散の下限に達することを確立し、最も効率的なANCOVAおよびIPW推定器と同等の効率性を達成することを示す。
• 潜在的なモデル誤指定下でも頑健な推論を実現するため、Huber-Whiteのサンドイッチ分散推定法を採用する。
• 多様なシナリオ（標本サイズの変動、治療効果の異質性、結果モデルの誤指定など）を想定した、広範なシミュレーションを実施する。
• BestAIR RCTにOWを実装し、陽圧呼吸療法の患者への影響を評価することで、実証的性能を検証する。

実験結果

リサーチクエスチョン

• RQ1 重複重み付け（OW）は、有限標本における効率性と第1種の誤りの制御という観点で、逆確率重み付け（IPW）を上回るか？
• RQ2 正しい傾向スコアモデルが当てはめられた場合、OWは正確な共変量のバランスを達成し、半パラメトリック効率の下限を維持できるか？
• RQ3 結果モデルが誤指定されている場合や中程度の治療効果の異質性がある場合、OWはANCOVAおよび拡張IPW（AIPW）と比較してどのように性能を発揮するか？
• RQ4 標本サイズおよび結果のレアネスが、OW、IPW、およびAIPWの信頼区間推定のカバレッジ特性に与える影響は何か？
• RQ5 OWはサブグループ解析、マルチアーム試験、クラスターランダム化デザインに効果的に拡張可能か？

主な発見

• OWは、特にモデル誤指定下での第1種の誤りの増大を低減し、カバレッジを改善する点で、有限標本において一貫してIPWを上回る。
• 連続変数の結果に関して、OWは、最も効率的なANCOVAおよびIPW推定器と同等の半パラメトリック分散下限に達する。
• 小標本サイズ（N=50）下では、OWはリスク比およびオッズ比に関して、最大で過剰カバレッジを示すが、IPWは顕著な不足カバレッジを示す。
• 結果が稀である場合、IPW、ロジスティック回帰、およびAIPW推定器は非収束のため深刻な不足カバレッジを示すが、OWは頑健性を保つ。
• 治療効果の異質性が中程度である場合、または結果モデルが誤指定されている場合、OW推定器はANCOVAおよびAIPWを上回る効率性を示す。
• RパッケージPSweightは、OW、IPW、およびAIPWの即時利用可能な実装を提供し、GitHubで再現可能なコードを公開することで、実務的採用を促進する。