[论文解读] Comparative Methods for the Analysis of Cluster Randomized Trials

Alejandra Benitez, Maya L. Petersen+8 more|arXiv (Cornell University)|Oct 18, 2021

Advanced Causal Inference Techniques参考文献 37被引用 6

一句话总结

本文比较了聚类随机试验（CRTs）中的因果估计方法，通过因果模型形式化干预效应，并评估了广义估计方程（GEE）、增广-GEE和目标最大似然估计（TMLE）等方法。在模拟研究和一项真实的PTBi研究中，TMLE通过灵活估计多种因果效应，在保持第一类错误控制的同时提高了精度，尤其在聚类规模变化的情况下表现更优。

ABSTRACT

Across research disciplines, cluster randomized trials (CRTs) are commonly implemented to evaluate interventions delivered to groups of participants, such as communities and clinics. Despite advances in the design and analysis of CRTs, several challenges remain. First, there are many possible ways to specify the intervention effect (e.g., at the individual-level or at the cluster-level). Second, the theoretical and practical performance of common methods for CRT analysis remain poorly understood. Here, we use causal models to formally define an array of causal effects as summary measures of counterfactual outcomes. Next, we provide a comprehensive overview of well-known CRT estimators, including the t-test and generalized estimating equations (GEE), as well as less known methods, including augmented-GEE and targeted maximum likelihood estimation (TMLE). In finite sample simulations, we illustrate the performance of these estimators and the importance of effect specification, especially when cluster size varies. Finally, our application to data from the Preterm Birth Initiative (PTBi) study demonstrates the real-world importance of selecting an analytic approach corresponding to the research question. Given its flexibility to estimate a variety of effects and ability to adaptively adjust for covariates for precision gains while maintaining Type-I error control, we conclude TMLE is a promising tool for CRT analysis.

研究动机与目标

• 使用反事实结果正式定义聚类随机试验中的因果效应。
• 评估常见和较少为人知的CRT分析方法的理论性能与有限样本性能。
• 评估效应定义方式（个体水平 vs. 聚类水平）对估计器性能的影响。
• 通过来自早产儿预防倡议（Preterm Birth Initiative，PTBi）研究的真实数据，展示方法选择的实际影响。
• 识别一种稳健且灵活的分析方法，可在保持第一类错误控制的同时提升CRT中的估计精度。

提出的方法

• 使用潜在结果和结构因果模型，正式定义CRT中一系列因果效应。
• 比较标准估计器：t检验、广义估计方程（GEE）、增广-GEE和目标最大似然估计（TMLE）。
• 采用TMLE，因其具有双重稳健性和半参数效率，可实现自适应协变量调整。
• 使用有限样本模拟评估在聚类规模和效应定义变化下的估计器性能。
• 利用来自早产儿预防倡议（Preterm Birth Initiative，PTBi）研究的数据验证结果，以说明实际应用中的影响。
• 采用基于模拟的推断方法，评估各类方法在第一类错误控制和精度方面的表现。

实验结果

研究问题

• RQ1 不同的因果效应定义方式（个体水平 vs. 聚类水平）如何影响CRT中估计器的性能？
• RQ2 在聚类规模变化的情况下，常见CRT估计器（包括GEE和t检验）的有限样本性能如何？
• RQ3 与其它方法相比，目标最大似然估计（TMLE）在第一类错误控制和精度方面表现如何？
• RQ4 TMLE中自适应协变量调整在不增加第一类错误的前提下，能在多大程度上提高效率？
• RQ5 在真实世界的CRT应用中，哪种分析方法最符合研究问题的需求？

主要发现

• TMLE在各种模拟情景下均表现出稳健的第一类错误控制，包括聚类规模变化的情况。
• 在协变量适当调整时，TMLE的精度高于GEE和t检验，尤其在聚类规模异质性较高的情况下更为明显。
• 效应定义方式显著影响估计器性能，其中聚类水平效应对设计假设更为敏感。
• 增广-GEE相比标准GEE提高了效率，但在处理复杂协变量调整方面仍不如TMLE灵活。
• 早产儿预防倡议（Preterm Birth Initiative，PTBi）研究的应用结果证实，方法选择会直接影响效应估计的解释和有效性。
• TMLE能够在保持统计特性的同时估计多种因果效应，使其成为CRT分析中极具前景的工具。