[论文解读] Propensity Score Weighting for Covariate Adjustment in Randomized Clinical Trials

Shuxi Zeng, Fan Li+2 more|arXiv (Cornell University)|Apr 21, 2020

Advanced Causal Inference Techniques参考文献 54被引用 5

一句话总结

本文提出重叠加权（OW）作为随机临床试验中协变量调整的更优替代方法，相较于逆概率加权（IPW），OW 通过倾向得分重叠推导权重，实现精确的协变量平衡，在有限样本中通过提升效率并减少第一类错误膨胀，持续优于 IPW，尤其在模型误设或中等治疗效应异质性情况下表现更优。

ABSTRACT

Chance imbalance in baseline characteristics is common in randomized clinical trials. Regression adjustment such as the analysis of covariance (ANCOVA) is often used to account for imbalance and increase precision of the treatment effect estimate. An objective alternative is through inverse probability weighting (IPW) of the propensity scores. Although IPW and ANCOVA are asymptotically equivalent, the former may demonstrate inferior performance in finite samples. In this article, we point out that IPW is a special case of the general class of balancing weights, and advocate to use overlap weighting (OW) for covariate adjustment. The OW method has a unique advantage of completely removing chance imbalance when the propensity score is estimated by logistic regression. We show that the OW estimator attains the same semiparametric variance lower bound as the most efficient ANCOVA estimator and the IPW estimator for a continuous outcome, and derive closed-form variance estimators for OW when estimating additive and ratio estimands. Through extensive simulations, we demonstrate OW consistently outperforms IPW in finite samples and improves the efficiency over ANCOVA and augmented IPW when the degree of treatment effect heterogeneity is moderate or when the outcome model is incorrectly specified. We apply the proposed OW estimator to the Best Apnea Interventions for Research (BestAIR) randomized trial to evaluate the effect of continuous positive airway pressure on patient health outcomes. All the discussed propensity score weighting methods are implemented in the R package PSweight.

研究动机与目标

• 为解决随机临床试验（RCT）中基线协变量的偶然失衡问题，此类失衡会降低统计效能与精度。
• 通过提出一种更高效、更稳健的协变量调整方法，改进逆概率加权（IPW）方法。
• 证明重叠加权（OW）可实现精确的协变量平衡，并达到 ANCOVA 与 IPW 的半参数效率下界。
• 在模型误设与小样本量等不同条件下，评估 OW 相较于 IPW、ANCOVA 与增广 IPW 的表现。
• 通过 R 包（PSweight）及开源代码提供实用的实现工具，推动 OW 在 RCT 分析中的广泛应用。

提出的方法

• 将 IPW 形式化为一种平衡权重的特例，并提出重叠加权（OW）方法，其权重与被分配至相反治疗组的概率成正比。
• 推导了 OW 在加法与相对风险估计量（如风险比、比值比）下的闭式方差估计量，适用于连续与二值结果。
• 证明 OW 在连续结果下可达到半参数方差下界，其效率与最高效的 ANCOVA 及 IPW 估计量相当。
• 采用 Huber-White 沙漏方差估计方法，实现对潜在模型误设的稳健推断。
• 在多种情景下开展广泛模拟，包括样本量变化、治疗效应异质性及结果模型误设。
• 在 BestAIR RCT 中实施 OW，评估其对持续正压通气对患者结局影响的实证表现，验证其实际性能。

实验结果

研究问题

• RQ1 重叠加权（OW）在随机试验的有限样本中是否在效率与第一类错误控制方面优于逆概率加权（IPW）？
• RQ2 在倾向得分模型正确设定下，OW 是否可实现精确的协变量平衡并维持半参数效率下界？
• RQ3 当结果模型误设或存在中等治疗效应异质性时，OW 相较于 ANCOVA 与增广 IPW（AIPW）表现如何？
• RQ4 样本量与结果罕见性对 OW、IPW 与 AIPW 置信区间覆盖性能有何影响？
• RQ5 OW 是否可有效扩展至亚组分析、多臂试验及群集随机化设计？

主要发现

• OW 在有限样本中持续优于 IPW，尤其在减少第一类错误膨胀与模型误设下的覆盖性能方面表现更优。
• OW 在连续结果下达到与最高效 ANCOVA 及 IPW 估计量相同的半参数方差下界。
• 在小样本量（N=50）时，OW 对风险比与比值比的覆盖性能至多为过度覆盖，而 IPW 显著出现覆盖不足。
• 当结果罕见时，IPW、逻辑回归与 AIPW 估计量因收敛问题导致严重覆盖不足，而 OW 保持稳健。
• 当治疗效应异质性中等或结果模型误设时，所提出的 OW 估计量在效率上优于 ANCOVA 与 AIPW。
• R 包 PSweight 提供了 OW、IPW 与 AIPW 的即用实现，且 GitHub 上提供可复现代码，便于实际应用。