[论文解读] An Alternative Perspective on the Robust Poisson Method for Estimating Risk or Prevalence Ratios

Denis Talbot, Miceline Mésidor+3 more|arXiv (Cornell University)|Dec 1, 2021

Advanced Causal Inference Techniques被引用 4

一句话总结

本文提出了对稳健泊松方法的半参数重新解释，表明其在二值结果下无需假设泊松分布。相反，它仅依赖于暴露变量与结果风险/流行率之间的对数线性关系，为传统泊松建模提供了一个理论严谨的替代方案，同时保持了风险比或流行率比的可解释性，并避免了对数二项模型中常见的收敛问题。

ABSTRACT

The robust Poisson method is becoming increasingly popular when estimating the association of exposures with a binary outcome. Unlike the logistic regression model, the robust Poisson method yields results that can be interpreted as risk or prevalence ratios. In addition, it does not suffer from frequent non-convergence problems like the most common implementations of maximum likelihood estimators of the log-binomial model. However, using a Poisson distribution to model a binary outcome may seem counterintuitive. Methodological papers have often presented this as a good approximation to the more natural binomial distribution. In this paper, we provide an alternative perspective to the robust Poisson method based on the semiparametric theory. This perspective highlights that the robust Poisson method does not require assuming a Poisson distribution for the outcome. In fact, the method only assumes a log-linear relationship between the risk/prevalence of the outcome and the explanatory variables. This assumption and consequences of its violation are discussed. Suggestions to reduce the risk of violating the modeling assumption are also provided. Additionally, we discuss and contrast the robust Poisson method with other approaches for estimating exposure risk or prevalence ratios.

研究动机与目标

• 为稳健泊松方法提供新的理论基础，突破对结果服从泊松分布的假设。
• 阐明该方法的有效性并非依赖于结果的分布假设，而是依赖于暴露变量与风险/流行率之间对数线性关系的正确定义。
• 通过半参数理论框架，解决该方法在二值结果上应用时的有效性疑虑。
• 将稳健泊松方法与估计风险比或流行率比的其他方法（包括对数二项模型及其他回归技术）进行比较。
• 为使用稳健泊松方法时降低模型误设风险提供实用指导。

提出的方法

• 作者采用半参数框架重新表述稳健泊松方法，重点使用估计方程方法，而非完整的参数似然函数。
• 他们证明，稳健泊松估计量在更弱的假设下仍具一致性：即通过对数线性链接正确定义条件均值函数，而非结果的分布假设。
• 该方法使用工作泊松似然函数并结合稳健方差估计（sandwich估计量）以校正方差结构可能的误设。
• 关键识别假设是：给定协变量时的期望结果遵循对数线性模型，即 log(E[Y|X]) = X^Tβ。
• 该方法并不要求结果服从泊松分布；仅要求均值结构被正确定义。
• 本文讨论了对数线性假设违反对推断的影响，并提供了评估或降低此类风险的建议。

实验结果

研究问题

• RQ1 稳健泊松方法是否真的需要结果服从泊松分布，还是该假设是不必要的？
• RQ2 在不依赖结果分布假设的半参数框架下，能否为稳健泊松方法提供理论依据？
• RQ3 在模型假设、收敛性与可解释性方面，稳健泊松方法与对数二项模型相比如何？
• RQ4 在稳健泊松方法中，若对数线性均值结构假设被违反，会产生何种后果，又该如何缓解？
• RQ5 在流行病学研究中估计风险比或流行率比时，使用稳健泊松方法的实际意义是什么？

主要发现

• 稳健泊松方法并不要求结果服从泊松分布；其有效性源于对数线性均值结构的正确定义。
• 只要对数线性模型被正确定义，该方法在结果为二值时仍保持一致且可解释，可作为风险比或流行率比的估计器。
• 该方法避免了最大似然对数二项模型中常见的非收敛问题。
• 本文通过模拟证明，当模型设定正确时，稳健泊松方法在偏差和置信区间覆盖方面均表现良好。
• 对数线性假设的违反会导致估计偏差，本文建议通过残差分析和模型比较等诊断手段检测此类问题。
• 作者得出结论：在二值结果场景下，稳健泊松方法是估计风险比或流行率比的可靠且实用的对数二项模型替代方案。