[论文解读] On variance estimation for generalizing from a trial to a target population

Ziyue Chen, Eloise Kaizar|arXiv (Cornell University)|Apr 25, 2017

Advanced Causal Inference Techniques参考文献 27被引用 5

一句话总结

本文提出了一种无需模型的逆概率加权估计量（IPWEs），用于利用随机对照试验（RCT）数据估计目标人群中的平均处理效应（ATE），并引入了新颖的方差估计方法以提高精度和覆盖概率。结果表明，在小样本或处理效应异质性较高的情况下，基于自展法的方差估计量优于参数方法，尤其是在试验人群与目标人群之间重叠有限时表现更优。

ABSTRACT

Randomized controlled trials (RCTs) provide strong internal validity compared with observational studies. However, selection bias threatens the external validity of randomized trials. Thus, RCT results may not apply to either broad public policy populations or narrow populations, such as specific insurance pools. Some researchers use propensity scores (PSs) to generalize results from an RCT to a target population. In this scenario, a PS is defined as the probability of participating in the trial conditioning on observed covariates. We study a model-free inverse probability weighted estimator (IPWE) of the average treatment effect in a target population with data from a randomized trial. We present variance estimators and compare the performance of our method with that of model-based approaches. We examine the robustness of the model-free estimators to heterogeneous treatment effects.

研究动机与目标

• 解决随机对照试验（RCT）中存在的外部效度挑战，即研究结果可能无法推广至更广泛或特定的目标人群。
• 开发无需模型的逆概率加权估计量（IPWEs），用于估计目标人群中的总体平均处理效应（PATE）。
• 提出并评估新的方差估计方法——特别是重采样方法——用于IPWEs，以在小样本量和异质性处理效应下提高准确性。
• 在不同协变量重叠程度和样本量条件下，比较参数法、自展法和特殊重采样方法的方差估计性能。
• 明确不同方差估计方法在有限与无限目标人群中的可靠性条件，尤其是在小样本与大样本情况下的表现。

提出的方法

• 基于倾向得分使用逆概率加权（IPW）方法重新加权RCT参与者，使其分布与目标人群相匹配。
• 应用无需模型的IPWE估计总体平均处理效应（PATE），无需假设特定的结果模型。
• 提出一种基于渐近理论的新大样本方差估计量，适用于IPWEs。
• 引入两种基于重采样的方差估计量：常规自展法和固定-S自展法，分别适用于有限和无限目标人群中的IPWEs。
• 通过模拟研究，在样本量、重叠程度（Δp）和处理效应异质性变化的条件下，比较参数法、自展法和特殊重采样方差估计量的性能。
• 基于调查抽样理论和M-估计原理推导并验证方差估计量，区分无限目标人群与有限目标人群的情景。

实验结果

研究问题

• RQ1 当试验人群与目标人群之间协变量重叠程度不同时，不同方差估计方法在估计目标人群中PATE的IPWEs中的表现如何？
• RQ2 样本量对IPWEs方差估计器的准确性和覆盖概率有何影响，特别是在小样本试验中？
• RQ3 处理效应异质性如何影响无需模型的IPWEs及其相关方差估计器的性能？
• RQ4 在有限与无限目标人群中，哪种方差估计方法——参数法、自展法或特殊重采样法——能为IPWEs提供最准确的覆盖概率？
• RQ5 在何种条件下，采用重采样方差估计的无需模型IPWEs在偏差和覆盖概率方面优于基于模型的估计器？

主要发现

• 对于重叠程度适中（Δp ≤ 0.15）且样本量较大的无限目标人群，参数法和自展法方差估计器对IPWEs和基于调查的估计器的覆盖概率接近名义上的95%水平。
• 当样本量较小时（n_total ≤ 500），所有方差估计方法均严重低估真实变异性，尤其对IPWEs而言，参数法不可靠。
• 对于加权普通最小二乘（OLS）估计器，自展法优于参数方差估计，尤其在小样本或高重叠情况下。
• 在高处理效应异质性或极端重叠（Δp = 0.38）条件下，所有方差估计器均低估真实变异性，但特殊自展法对IPWEs的估计优于M-估计。
• 在极端情况下（重叠度低或样本量小），尽管整体性能下降，采用自展法方差估计的IPWEs在偏差和覆盖概率方面仍优于基于模型的估计器。
• 所提出的特殊自展法在高异质性和小样本条件下，相对于M-估计表现出更强的稳健性，尤其适用于IPWEs。