Corrispondenza del punteggio di propensione dopo imputazione multipla

Mi riferisco a questo documento: Hayes JR, Groner JI. "Utilizzo di punteggi multipli di imputazione e propensione per testare l'effetto dei seggiolini auto e dell'utilizzo delle cinture di sicurezza sulla gravità delle lesioni dai dati del registro dei traumi." J Pediatr Surg. Maggio 2008; 43 (5): 924-7.

In questo studio, è stata eseguita un'imputazione multipla per ottenere 15 set di dati completi. I punteggi di propensione sono stati quindi calcolati per ciascun set di dati. Quindi, per ciascuna unità osservativa, è stato scelto casualmente un record da uno dei 15 set di dati completati (incluso il relativo punteggio di propensione) creando così un singolo set di dati finale per il quale è stato quindi analizzato mediante corrispondenza del punteggio di propensione.

Le mie domande sono: questo è un modo valido per eseguire la corrispondenza del punteggio di propensione dopo un'imputazione multipla? Ci sono modi alternativi per farlo?

Per il contesto: nel mio nuovo progetto, ho l'obiettivo di confrontare gli effetti di 2 metodi di trattamento utilizzando la corrispondenza del punteggio di propensione. Mancano dati e intendo utilizzare il MICEpacchetto in R per imputare i valori mancanti, quindi twangfare la corrispondenza del punteggio di propensione e quindi lme4analizzare i dati corrispondenti.

Update1:

Ho trovato questo documento che ha un approccio diverso: Mitra, Robin e Reiter, Jerome P. (2011) Punteggio di propensione che corrisponde a covariate mancanti tramite imputazione multipla sequenziale iterata [Working Paper]

In questo articolo gli autori calcolano i punteggi di propensione su tutti i set di dati imputati e poi li raggruppano facendo una media, che è nello spirito dell'imputazione multipla usando le regole di Rubin per una stima puntuale - ma è davvero applicabile per un punteggio di propensione?

Sarebbe davvero bello se qualcuno su CV potesse fornire una risposta con un commento su questi 2 diversi approcci e / o qualsiasi altro ...

La prima cosa da dire è che, per me, il metodo 1 (campionamento) sembra non avere molto merito: sta scartando i benefici di un'imputazione multipla e si riduce a un'imputazione singola per ogni osservazione, come menzionato da Stas. Non riesco a vedere alcun vantaggio nell'usarlo.

C'è un'eccellente discussione sulle questioni relative all'analisi del punteggio di propensione con dati mancanti in Hill (2004): Hill, J. "Riduzione del pregiudizio nella stima degli effetti terapeutici negli studi osservazionali che soffrono di dati mancanti" ISERP Working Papers, 2004. È scaricabile da qUI .

Il documento prende in considerazione due approcci all'uso dell'imputazione multipla (e anche altri metodi per gestire i dati mancanti) e i punteggi di propensione:

• media dei punteggi di propensione dopo imputazione multipla, seguita da inferenza causale (metodo 2 nel tuo post sopra)

• inferenza causale usando ogni serie di punteggi di propensione dalle imputazioni multiple seguite dalla media delle stime causali.

Inoltre, il documento considera se il risultato debba essere incluso come predittore nel modello di imputazione.

Hill afferma che, sebbene l'assegnazione multipla sia preferita ad altri metodi di gestione dei dati mancanti, in generale non esiste a priorimotivo per preferire una di queste tecniche rispetto all'altra. Tuttavia, ci possono essere motivi per preferire la media dei punteggi di propensione, in particolare quando si utilizzano determinati algoritmi di abbinamento. Hill ha condotto uno studio di simulazione nello stesso articolo e ha scoperto che la media dei punteggi di propensione prima dell'inferenza causale, quando l'inclusione del risultato nel modello di imputazione produceva i risultati migliori in termini di errore quadratico medio e la media dei punteggi prima, ma senza il risultato nel modello di imputazione, ha prodotto i migliori risultati in termini di distorsione media (differenza assoluta tra effetto terapeutico stimato e reale). In generale, è consigliabile includere il risultato nel modello di imputazione (ad esempio, vedere qui ).

Quindi sembrerebbe che il tuo metodo 2 sia la strada da percorrere.

Potrebbe esserci uno scontro di due paradigmi. L'imputazione multipla è una soluzione bayesiana fortemente basata su modelli: il concetto di imputazione corretta afferma essenzialmente che è necessario campionare dalla distribuzione posteriore ben definita dei dati, altrimenti si è fregati. La corrispondenza del punteggio di propensione, d'altra parte, è una procedura semi-parametrica: una volta calcolato il punteggio di propensione (non importa come, avresti potuto usare una stima della densità del kernel, non necessariamente un modello logit), puoi fare il resto semplicemente prendendo le differenze tra le osservazioni trattate e non trattate con lo stesso punteggio di propensione, che ora è un po 'non parametrico, poiché non è rimasto alcun modello che controlli per altre covariate. Io nonAbadie e Imbens (2008) hanno discusso che rende impossibile ottenere gli errori standard proprio in alcune delle situazioni corrispondenti. Darei più fiducia agli approcci più fluidi come la ponderazione della propensione inversa. Il mio riferimento preferito su questo è "Mostly Harmless Econometrics" , sottotitolato "An Empiricist Companion", e rivolto agli economisti, ma penso che questo libro dovrebbe essere una lettura obbligatoria per altri scienziati sociali, la maggior parte dei biostatisti e statistici non bio così che sanno come altre discipline affrontano l'analisi dei dati.

Ad ogni modo, l'utilizzo di una sola riga di dati completa simulata su 15 per osservazione equivale a una singola imputazione. Di conseguenza, si perde efficienza rispetto a tutti e 15 i set di dati completati e non è possibile stimare correttamente gli errori standard. Mi sembra una procedura inadeguata, da qualsiasi angolazione.

Certamente, spazziamo felicemente sotto il tappeto l'assunto che sia il modello di imputazione multipla sia il modello di propensione siano corretti nel senso di avere tutte le variabili giuste in tutte le giuste forme funzionali. C'è poco modo per verificarlo (anche se sarei felice di sapere altrimenti sulle misure diagnostiche per entrambi questi metodi).

Non posso davvero parlare degli aspetti teorici della domanda, ma darò la mia esperienza usando modelli PS / IPTW e imputazione multipla.

1. Non ho mai sentito parlare di qualcuno che utilizza set di dati moltiplicati e campionamenti casuali per creare un singolo set di dati. Ciò non significa necessariamente che sia sbagliato, ma è uno strano approccio da usare. Inoltre, il set di dati non è abbastanza grande da richiedere creatività per girare 3-5 modelli invece di uno solo per risparmiare tempo e calcolo.
2. La regola di Rubin e il metodo di pooling sono uno strumento piuttosto generale. Dato che il risultato aggregato, moltiplicato per imputazione può essere calcolato utilizzando solo la varianza e le stime, non c'è motivo per cui non riesca a vedere che non possa essere utilizzato per il tuo progetto: creare i dati imputati, eseguire l'analisi su ciascun set e quindi raggruppare. È quello che ho fatto, è quello che ho visto fatto e, a meno che tu non abbia una giustificazione specifica per non farlo, non riesco davvero a vedere un motivo per andare con qualcosa di più esotico, specialmente se non capisci cosa proseguendo con il metodo