Moving toward best practice when using propensity score weighting in survey observational studies

Sintesi Tecnica: Verso le migliori pratiche nell'uso del pesamento per punteggio di propensione in studi osservazionali basati su campionamenti complessi

Problematica
Il pesamento per punteggio di propensione (propensity score weighting) è un metodo standard per stimare gli effetti causali dei trattamenti da dati osservazionali, affrontando il confondimento dovuto a covariate di base misurate. Tuttavia, quando i dati osservazionali derivano da campionamenti complessi, l'integrazione ottimale dei pesi di campionamento per l'inferenza causale a livello di popolazione rimane oggetto di dibattito. La letteratura esistente offre raccomandazioni contrastanti: alcuni suggeriscono di utilizzare i pesi di campionamento come covariate nel modello del punteggio di propensione, mentre altri sostengono la regressione pesata per il campionamento. Inoltre, il lavoro precedente si è concentrato ampiamente sull'Effetto Medio del Trattamento (ATE) e sull'Effetto Medio del Trattamento sui Trattati (ATT), trascurando spesso altre popolazioni target, come la popolazione di sovrapposizione (overlap population). Esiste una mancanza di consenso su come incorporare i pesi di campionamento attraverso le diverse fasi di stima (modellazione del punteggio di propensione, modellazione dell'esito e standardizzazione) per garantire un'inferenza non distorta ed efficiente per vari estimandi sotto disegni di campionamento complessi, in particolare quando la sovrapposizione è scarsa o i modelli sono specificati in modo errato.

Metodologia
Gli autori propongono un quadro unificato sotto il paradigma dei pesi di bilanciamento (balancing weights) per incorporare i pesi di campionamento nel pesamento del punteggio di propensione per studi osservazionali basati su campionamenti complessi.

1. Quadro Teorico:

   • Il documento distingue tra disegni retrospettivi (il campionamento avviene dopo l'assegnazione del trattamento, dove le probabilità di campionamento possono dipendere dallo stato del trattamento) e disegni prospettici (il campionamento avviene prima dell'assegnazione del trattamento).
   • Definisce una classe generale di Effetti Medi del Trattamento Pesati per la Popolazione (PWATE), $\tau_h$, caratterizzata da una funzione di tilting $h(X)$ che sposta la distribuzione delle covariate dalla popolazione originale a una popolazione target. Questo quadro comprende ATE, ATT, Effetto Medio del Trattamento sul Controllo (ATC) e l'Effetto Medio del Trattamento sulla Sovrapposizione (PATO).
   • Gli autori derivano stimatori di pesamento che combinano i pesi di bilanciamento (per affrontare il confondimento) con i pesi di campionamento (per affrontare il bias di selezione). I pesi sono definiti come $\omega_{z,p}(X_i) = h(X_i) / [p_z(X_i) e_{sp}(X_i)]$, dove $p_z(X)$ rappresenta le probabilità di campionamento specifiche per il trattamento e $e_{sp}(X)$ è il punteggio di propensione a livello di popolazione.

2. Stimatori Sviluppati:

   • Pesamento del Punteggio di Propensione (PSW): Un classico stimatore di pesamento che incorpora i pesi di campionamento sia nella stima del punteggio di propensione che nella standardizzazione dell'esito.
   • Stimatori di Pesamento Augmentati (AW): Per migliorare l'efficienza, gli autori sviluppano tre stimatori aumentati che sfruttano i modelli di regressione dell'esito:
     • Stimatore a Momenti a Passo Unico (MOM): Utilizza modelli di esito non pesati, ma applica i pesi di campionamento per standardizzare predizioni e residui.
     • Stimatore della Covariata Intelligente (CVR): Incorpora i pesi di bilanciamento come covariate aggiuntive ("clever covariates") nel modello di regressione dell'esito.
     • Stimatore di Regressione Pesata (WET): Adatta il modello di regressione dell'esito utilizzando i pesi di bilanciamento come pesi di regressione.
   • Stima della Varianza: Sono stati derivati stimatori della varianza sandwich a forma chiusa per tutti gli stimatori utilizzando la teoria della M-stima, tenendo conto dell'incertezza sia nella stima del punteggio di propensione che del modello di esito, nonché del disegno del campionamento.

3. Disegno della Simulazione:

   • Gli autori hanno condotto simulazioni estese coinvolgendo 1.000.000 di individui organizzati in un disegno di campionamento multistadio.
   • Gli scenari variavano per: qualità della sovrapposizione (buona vs scarsa), specificazione del modello (modelli di punteggio di propensione e di esito corretti o errati) e meccanismo di campionamento (prospettico vs retrospettivo, dove il campionamento dipende dal trattamento).
   • Hanno confrontato le strategie per incorporare i pesi di campionamento: l'uso di essi come pesi di regressione (W.PS) rispetto all'uso come una variabile aggiuntiva (C.PS).

Risultati Chiave

• Incorporazione dei Pesi di Campionamento: Le simulazioni dimostrano costantemente che l'uso dei pesi di campionamento come pesi di regressione nel modello del punteggio di propensione (W.PS) produce un bias inferiore, un'efficienza maggiore e una migliore copertura rispetto all'uso degli stessi come covariata (C.PS). Questo vantaggio è particolarmente pronunciato in condizioni di scarsa sovrapposizione e nei disegni di campionamento retrospettivi in cui il campionamento dipende dal trattamento.
• Prestazioni degli Stimatori Augmentati:
  • Quando i modelli sono correttamente specificati, tutti gli stimatori aumentati (MOM, CVR, WET) superano il solo PSW.
  • CVR raggiunge un'alta efficienza in presenza di buona sovrapposizione, ma mostra instabilità e scarsa copertura in caso di scarsa sovrapposizione o quando il modello dell'esito è specificato in modo errato.
  • MOM offre robustezza ma generalmente una minore efficienza rispetto a WET.
  • WET emerge come lo stimatore più robusto ed efficiente in tutti gli scenari, inclusi la scarsa sovrapposizione e la specificazione errata del modello. Mantiene una copertura vicino al valore nominale e un bias inferiore rispetto ad altri metodi.
• Popolazioni Target: L'estimando di Sovrapposizione (PATO) dimostra una robustezza superiore alla scarsa sovrapposizione e alla specificazione errata del modello rispetto ad ATE e ATT, ottenendo spesso il bias più basso e l'efficienza più alta, specialmente se combinato con WET e W.PS.

Casi di Studio
Gli autori hanno applicato questi metodi a due dataset del mondo reale:

1. ECLS-K (Disegno Prospettico): Analisi dell'effetto dell'educazione speciale sul rendimento in matematica. I risultati hanno mostrato che WET forniva stime stabili attraverso diverse popolazioni target, mentre il PSW produceva intervalli di confidenza molto ampi.
2. MEPS (Disegno Retrospettivo): Analisi delle disparità razziali nelle spese sanitarie. A causa del sovracampionamento dei gruppi minoritari, i pesi di campionamento erano altamente variabili. WET con W.PS ha mitigato con successo l'instabilità causata dai pesi estremi, fornendo stime precise per la popolazione di sovrapposizione dove è stato raggiunto il bilanciamento delle covariate.

Significatività e Rivendicazioni
L'articolo sostiene di fornire una soluzione unificata per incorporare i pesi di campionamento nel pesamento del punteggio di propensione, estendendo il quadro dei pesi di bilanciamento per coprire una classe più ampia di estimandi (incluso PATO) e offrendo stimatori della varianza a forma chiusa per un'inferenza efficiente.

Gli autori concludono con raccomandazioni pratiche specifiche:

1. Utilizzare Punteggi di Propensione Pesati per il Campionamento (W.PS): I pesi di campionamento dovrebbero essere utilizzati come pesi di regressione nel modello del punteggio di propensione per garantire che la distribuzione delle covariate campionate si allinei con la popolazione target, piuttosto che trattarli semplicemente come covariate.
2. Preferire Stimatori di Regressione Pesata (WET): Tra i metodi aumentati, WET è raccomandato per la sua superiore stabilità e robustezza, in particolare in scenari di scarsa sovrapposizione o specificazione errata del modello.
3. Considerare i Pesi di Sovrapposizione (PATO): Per un'inferenza rilevante ai fini delle politiche in popolazioni con sovrapposizione limitata, mirare alla popolazione di sovrapposizione utilizzando i pesi di sovrapposizione fornisce stime più affidabili ed efficienti.

Gli autori sottolineano che questi metodi sono implementati nel pacchetto R PSweight, facilitandone l'applicazione in studi osservazionali basati su campionamenti complessi. Riconoscono i limiti riguardanti le assunzioni di unconfoundedness (assenza di confondimento) e la conoscenza dei pesi di campionamento, suggerendo lavori futuri su analisi di sensibilità ed estensioni a trattamenti multipli e approcci basati sul machine learning.