[论文解读] Propensity Score Weighting for Causal Subgroup Analysis

Siyun Yang, Elizabeth Lorenzi+4 more|arXiv (Cornell University)|Oct 5, 2020

Advanced Causal Inference Techniques参考文献 44被引用 9

一句话总结

本文提出了一种新颖的倾向得分加权方法——OW-pLASSO，该方法将重叠加权与事后LASSO变量选择相结合，以改善观察性研究中预定义子组内的协变量平衡。该方法在子组因果效应估计中增强了偏差控制与精度，其在模拟实验和子宫肌瘤治疗数据的真实世界应用中均优于现有方法。

ABSTRACT

A common goal in comparative effectiveness research is to estimate treatment effects on pre-specified subpopulations of patients. Though widely used in medical research, causal inference methods for such subgroup analysis remain underdeveloped, particularly in observational studies. In this article, we develop a suite of analytical methods and visualization tools for causal subgroup analysis. First, we introduce the estimand of subgroup weighted average treatment effect and provide the corresponding propensity score weighting estimator. We show that balancing covariates within a subgroup bounds the bias of the estimator of subgroup causal effects. Second, we design a new diagnostic graph -- the Connect-S plot -- for visualizing the subgroup covariate balance. Finally, we propose to use the overlap weighting method to achieve exact balance within subgroups. We further propose a method that combines overlap weighting and LASSO, to balance the bias-variance tradeoff in subgroup analysis. Extensive simulation studies are presented to compare the proposed method with several existing methods. We apply the proposed methods to the Patient-centered Results for Uterine Fibroids (COMPARE-UF) registry data to evaluate alternative management options for uterine fibroids for relief of symptoms and quality of life.

研究动机与目标

• 为解决观察性研究中子组分析缺乏稳健因果推断方法的问题，尤其是在子组内协变量不平衡会偏倚治疗效应估计的情况下。
• 开发一种方法，确保在预定义子组内实现精确的协变量平衡，同时管理倾向得分建模中固有的偏差-方差权衡。
• 创建一种可视化工具——Connect-S图，以高效评估多个子组和协变量之间的子组协变量平衡情况。
• 提供一种实用且自动化的替代方案，以取代繁琐且易过拟合的手动迭代倾向得分模型更新方法。
• 通过模拟实验和对子宫肌瘤治疗数据的COMPARE-UF注册研究的真实世界应用，证明该方法的优越性。

提出的方法

• 引入子组加权平均治疗效应（SWATE）作为因果子组分析的 estimand，形式化子组特定因果效应的目标 estimand。
• 提出重叠加权（OW），通过基于倾向得分重叠性重新加权单位，实现在每个子组内精确的协变量平衡。
• 将事后LASSO选择与重叠加权相结合（OW-pLASSO），以改善模型选择并降低方差，同时保持平衡性。
• 开发Connect-S图，一种诊断可视化工具，使用连线展示多个子组和协变量之间的标准化均差，以突出不平衡情况。
• 采用两阶段方法：第一阶段，事后LASSO选择倾向得分模型中的相关协变量及其交互项；第二阶段，应用重叠权重以实现在每个子组内的平衡。
• 将该方法应用于模拟数据和COMPARE-UF注册研究，与逻辑斯蒂主效应IPW、迭代IPW及其他加权策略进行性能比较。

实验结果

研究问题

• RQ1 与标准倾向得分方法相比，重叠加权结合事后LASSO是否能显著改善观察性研究中预定义子组内的协变量平衡？
• RQ2 在估计子组因果效应方面，OW-pLASSO相较于现有方法在偏差、方差和稳定性方面表现如何？
• RQ3 Connect-S图在可视化多个子组和协变量之间的子组协变量平衡方面，其有效性如何？
• RQ4 将子组特定知识纳入倾向得分模型是否能提高子组因果推断的估计效率并降低偏差？
• RQ5 所提出的方法是否能自动识别出所有子组中处于等效状态（即倾向得分接近0.5）的临床相关人群？

主要发现

• 与逻辑斯蒂主效应IPW和迭代IPW相比，OW-pLASSO显著改善了子组内的协变量平衡，表现为标准化均差接近零。
• 在模拟实验中，OW-pLASSO在多种情景和子组配置下均表现出更优的偏差、均方误差和稳定性。
• Connect-S图成功可视化了子组协变量不平衡情况，揭示出逻辑斯蒂主效应IPW在许多子组中未能实现协变量平衡，尤其是在倾向得分分布的极端区域。
• 重叠加权方法在子组内各治疗组的倾向得分分布中表现出更高的中间区域密度（接近0.5），表明人群更具代表性且临床相关性更强。
• 在COMPARE-UF应用中，OW-pLASSO在35个子组中均识别出处于等效状态的临床相关队列，而逻辑斯蒂主效应IPW则产生了高度不平衡的子组，倾向得分极端。
• 该方法提供了一组统一的权重，使得能够有效估计总体平均效应和子组特定效应，增强了方法论的一致性与可重复性。