[论文解读] Demystifying Double Robustness: A Comparison of Alternative Strategies for Estimating a Population Mean from Incomplete Data

Joseph Kang, Joseph L. Schafer|Apr 18, 2008

Advanced Causal Inference Techniques参考文献 44被引用 141

一句话总结

本文比較了在不完整資料下估計母體平均數的雙重穩健（DR）估計器與其他方法，顯示即使DR估計器在理論上對單一模型誤設具有穩健性，當兩種模型均中度誤設時，其表現並未 consistently 優於簡單的回歸插補法。研究發現，逆機率加權方法對小的傾向得分極為敏感，且在模擬中，沒有任何DR方法顯著優於基本的回歸插補法，從而挑戰了『兩個錯誤模型勝過一個』的假設。

ABSTRACT

When outcomes are missing for reasons beyond an investigator's control, there are two different ways to adjust a parameter estimate for covariates that may be related both to the outcome and to missingness. One approach is to model the relationships between the covariates and the outcome and use those relationships to predict the missing values. Another is to model the probabilities of missingness given the covariates and incorporate them into a weighted or stratified estimate. Doubly robust (DR) procedures apply both types of model simultaneously and produce a consistent estimate of the parameter if either of the two models has been correctly specified. In this article, we show that DR estimates can be constructed in many ways. We compare the performance of various DR and non-DR estimates of a population mean in a simulated example where both models are incorrect but neither is grossly misspecified. Methods that use inverse-probabilities as weights, whether they are DR or not, are sensitive to misspecification of the propensity model when some estimated propensities are small. Many DR methods perform better than simple inverse-probability weighting. None of the DR methods we tried, however, improved upon the performance of simple regression-based prediction of the missing values. This study does not represent every missing-data problem that will arise in practice. But it does demonstrate that, in at least some settings, two wrong models are not better than one.

研究动机与目标

• 評估在結果模型與缺失機制模型均中度誤設之有限樣本下，雙重穩健估計器的實務表現。
• 將DR估計器與其他方法（如逆機率加權與基於回歸的插補法）進行比較。
• 探討結合兩個可能錯誤的模型是否能改善單一模型的估計表現。
• 釐清在現實世界不完整資料情境中，DR方法在何種條件下能提供顯著優勢。

提出的方法

• 透過模擬研究，比較在缺失機制為隨機缺失（MAR）下，多種估計策略對母體平均數的表現。
• 應用結合結果迴歸與傾向得分模型的雙重穩健估計器，確保若任一模型正確指定，則估計具有一致性。
• 以逆機率加權（IPW）與模型輔助調查估計技術作為基準。
• 使用基於迴歸的插補法（利用共變數預測缺失值）作為基線方法。
• 以重複模擬下的均方誤差（MSE）與偏差評估表現。
• 考慮多種DR估計器，包括增強型逆機率加權與廣義回歸估計器。

实验结果

研究问题

• RQ1 當結果模型與缺失機制模型均中度誤設時，雙重穩健性是否能轉化為實際優勢？
• RQ2 在模型誤設下，DR估計器與逆機率加權及回歸插補法相比，表現如何？
• RQ3 DR估計器是否對小的估計傾向得分敏感，特別是在基於IPW的實作中？
• RQ4 在雙重模型誤設的情境下，是否有任何DR方法能顯著優於簡單的回歸插補法？
• RQ5 在何種條件下，結合兩個可能錯誤的模型會產生優於使用單一正確模型的估計？

主要发现

• 當兩種模型均中度誤設時，沒有任何DR估計器在均方誤差方面 consistently 優於簡單的基於迴歸的插補法。
• 逆機率加權方法對小的估計傾向得分表現出高度敏感性，導致估計不穩定。
• DR估計器的表現因實作方式而異，但均未顯著優於回歸插補法。
• 即使在其中一個模型正確的情境下，DR估計器也未普遍優於其他方法，顯示在中度誤設下實務優勢有限。
• 本研究挑戰了『兩個錯誤模型勝過一個』的假設，指出模型正確性對可靠估計仍至關重要。