📊 statistics

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

本文提出了一个将抽样权重纳入倾向评分加权分析以估计各种目标总体处理效应的统一框架，并提供了理论依据、基于模拟的验证以及处理复杂抽样数据的实践指南。

原作者： Yukang Zeng, Fan Li, Guangyu Tong

发布于 2026-02-06

📖 1 分钟阅读☕ 轻松阅读

原作者： Yukang Zeng, Fan Li, Guangyu Tong

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象一下，你正试图弄清楚一种新饮食法是否真的能帮助人们减肥。在一个理想的世界里，你会将人们随机分配到饮食组或对照组（随机试验）。但在现实世界中，你通常必须依赖观测数据——即观察那些已经选择了某种饮食法的人与没有选择的人之间的差异。

问题在于？选择这种饮食法的人可能与没有选择的人本身就存在差异（也许他们本身就更注重健康）。这被称为混杂因素（confirmatory）。为了解决这个问题，统计学家使用了一种工具，叫做倾向评分加权法（Propensity Score Weighting）。你可以把它想象成一个“神奇的秤”，它能调整数据，使两组人在除饮食以外的所有方面都看起来完全一致，从而让你进行公平的比较。

现在，想象一下你的数据并非来自一份简单的名单，而是来自一项复杂的调查（比如一项全国性的健康研究）。这些调查经过精心设计：它们可能会采访更多来自小城镇或特定少数群体的人，以确保结果能代表整个国家。为了解决这个问题，调查会给每个人一个调查权重（Survey Weight）（一个数字，告诉你在现实世界中，这一个人代表了多少人）。

核心问题：
当你试图平衡两组数据（使用那个“神奇的秤”）时，你应该使用这些调查权重吗？如果使用，该如何使用？是应该用它们来构建这个秤，还是仅仅在计算最终结果时才使用它们？这篇文章指出，之前的研究对此感到困惑，因此作者们致力于寻找一种“最佳实践”。

以下是他们的发现，通过简单的语言进行了解释：

1. “两步走”问题

作者研究了使用这些调查权重的两种主要方式：

方法 A（“加权秤”）： 你在构建平衡秤（倾向评分模型）的过程中就使用调查权重。这确保了该秤是旨在代表整个国家，而不仅仅是那些恰好被采访到的人。
方法 B（“协变量”）： 你在构建秤时忽略权重，但将权重数值作为一个额外的信息（就像年龄或身高一样）加入进去，以帮助模型做出更好的预测。

研究结果： 论文证明了方法 A 是胜出者。

类比： 想象你正在绘制一幅城市全景壁画，但你手头只有几个特定社区的照片。
- 方法 A 就像是使用一张地图，地图准确地告诉你在每个社区有多少人，这样你从一开始就能按照正确的比例来绘制壁画。
- 方法 B 则是根据你手头的照片来画壁画，然后只是告诉画家：“噢，顺便说一下，这个城市其实比这大得多。”
- 作者发现，方法 A 产生了一幅更准确的壁画（偏差更小）和更清晰的图像（更精确），尤其是当你的照片中的社区与城市其他地区差异很大时。

2. 三种实现更高准确性的“工具”

论文还测试了三种不同的“工具”，用于将平衡秤与预测模型（一种猜测如果某人选择了另一条路径会发生什么的方法）相结合。

工具 1 (PSW)： 只使用平衡秤。（就像仅凭大小来猜测水果的重量）。
工具 2 (MOM & CVR)： 使用平衡秤加上一个预测模型。（就像观察大小，同时又去查阅一个关于水果重量的数据库）。
工具 3 (WET - 加权回归)： 在预测模型本身内部使用平衡秤。（就像使用数据库，但对条目进行加权，让稀有的水果占有更高的权重）。

研究结果： 工具 3 (WET) 是最可靠的“瑞士军刀”。

类比： 想象你在预测天气。
- 工具 1 只是观察天空。
- 工具 2 是观察天空并查看电脑模型，但如果天气很反常，电脑模型可能会有点失灵。
- 工具 3 (WET) 就像是一个专门针对异常天气模式进行过训练的电脑模型，同时你还在观察天空。
- 作者发现 工具 3 最为稳定。即使在数据很乱（两组之间重叠度差）或模型略有偏差的情况下，工具 3 依然能给出良好的答案。其他工具在数据棘手时有时会崩溃或给出荒谬的答案。

3. “重叠”问题

有时，你要比较的两组人差异如此之大，以至于它们完全没有重叠（例如，比较职业运动员和职业国际象棋选手）。

研究结果： 作者建议关注**“重叠人群”（Overlap Population）**。
类比： 如果你想知道某种特定的训练方案是否有效，不要试图把马拉松选手和国际象棋选手进行比较。相反，你应该只关注那些在某些方面与两者都有点相似的人（例如，既会跑一点步又玩一点国际象棋的人）。
通过专注于这个“中间地带”，研究发现结果更加可靠，且不太容易受到极端异常值的影响。

总结建议

如果你正在分析来自复杂调查（如全国性健康研究）的数据，以寻找因果关系：

务必使用调查权重来构建你的模型。 不要只是把它们当作一个旁注；要从一开始就利用它们来构建“平衡秤”。
使用“加权回归”（WET）方法。 这是最稳健的工具，它比其他工具能更好地处理混乱的数据和不完美的模型。
关注“重叠”人群。 如果两组人差异巨大，研究那些足够相似、可以进行公平比较的人，比试图强行比较两个完全对立的群体要更好。

作者开发了一个软件包（使用 R 语言），可以自动完成这一切，因此研究人员不必亲自动手进行繁重的数学计算。他们通过数千次计算机模拟和现实世界的案例（例如研究特殊教育对数学成绩的影响以及医疗成本中的种族差异）测试了该方法，结果一致表明，他们推荐的方法是最准确且最稳定的。

技术摘要：在调查性观察研究中使用倾向评分加权向最佳实践迈进

问题陈述
倾向评分加权是利用已测量的基线协变量来解决混杂因素，从而估计观测数据中因果处理效应的标准方法。然而，当观测数据源自复杂调查时，如何将调查权重（survey weights）最优地整合到群体层面的因果推断中仍是一个存在争议的话题。现有文献提供了相互矛盾的建议：一些人建议将调查权重作为倾向评分模型中的协变量，而另一些人则主张使用调查加权回归。此外，以往的研究主要集中在平均处理效应（ATE）和处理组平均处理效应（ATT）上，往往忽略了其他目标群体，如重叠群体（overlap population）。目前对于如何在不同估计阶段（倾向评分建模、结果建模和标准化）纳入调查权重以确保各种估计量在复杂抽样设计下实现无偏且高效的推断，仍缺乏共识，尤其是在重叠度较差或模型设定错误的情况下。

方法论
作者提出了一个统一的框架，在**平衡权重（balancing weights）**范式下，将调查权重纳入调查性观察研究的倾向评分加权中。

理论框架：
- 文献区分了回顾性设计（采样发生在处理分配之后，其中抽样概率可能取决于处理状态）和前瞻性设计（采样发生在处理分配之前）。
- 作者定义了一类广义的群体加权平均处理效应（PWATE）， $\tau_h$ ，其特征是通过平移函数 $h(X)$ 将协变量分布从原始总体转向目标总体。该框架涵盖了 ATE、ATT、控制组平均处理效应（ATC）以及重叠群体平均处理效应（PATO）。
- 作者推导了结合平衡权重（用于解决混杂问题）与调查权重（用于解决选择偏差）的加权估计量。权重定义为 $\omega_{z,p}(X_i) = h(X_i) / [p_z(X_i) e_{sp}(X_i)]$ ，其中 $p_z(X)$ 代表处理特定的抽样概率， $e_{sp}(X)$ 代表总体层面的倾向评分。
开发的估计量：
- 倾向评分加权（PSW）： 一种在倾向评分估计和结果标准化中均纳入调查权重的标准加权估计量。
- 增广加权（AW）估计量： 为了提高效率，作者开发了三种利用结果回归模型的增广估计量：
  - 单步矩估计量（MOM）： 使用未加权的输出模型，但应用调查权重对预测值和残差进行标准化。
  - 巧妙协变量估计量（CVR）： 将平衡权重作为结果回归模型中的额外协变量（“巧妙协变量”）纳入其中。
  - 加权回归估计量（WET）： 使用平衡权重作为回归权重来拟合结果回归模型。
- 方差估计： 利用 M-估计理论推导了所有估计量的闭式三明治方差估计量，同时考虑了倾向评分和结果模型估计的不确定性以及调查设计的影响。
模拟设计：
- 作者进行了涉及 1,000,000 名个体、组织在多阶段抽样设计下的广泛模拟。
- 场景变化维度包括：重叠质量（良好 vs 较差）、模型设定（倾向评分模型和结果模型正确/设定错误）以及抽样机制（处理依赖于处理状态的前瞻性 vs 回顾性抽样）。
- 他们比较了纳入调查权重的策略：是将调查权重作为回归权重（W.PS）还是作为额外的协变量（C.PS）。

关键结果

调查权重的纳入方式： 模拟一致表明，将调查权重用作倾向评分模型中的回归权重（W.PS）比将其作为协变量（C.PS）具有更低的偏差、更高的效率和更好的覆盖率。这种优势在重叠度较差以及抽样依赖于处理的回顾性抽样设计下尤为显著。
增广估计量的表现：
- 当模型设定正确时，所有增广估计量（MOM, CВR, WET）的表现都优于单纯的 PSW。
- CVR 在重叠度良好时能达到高效率，但在重叠度较差或结果模型设定错误时表现出不稳定性和覆盖率低的问题。
- MOM 提供了鲁棒性，但其效率通常低于 WET。
- WET 被证明是在所有场景下（包括重叠度较差和模型设定错误）最稳健且最高效的估计量。它保持了接近标称的覆盖率和较低的偏差。
目标群体： 与 ATE 和 ATT 相比，重叠（PATO） 估计量在应对重叠度差和模型设定错误时表现出更强的鲁棒性，通常能获得最低的偏差和最高的效率，尤其是在与 WET 和 W.PS 结合使用时。

案例研究
作者将这些方法应用于两个真实世界数据集：

ECLS-K（前瞻性设计）： 分析特殊教育对数学成绩的影响。结果显示，WET 在不同目标群体中提供了稳定的估计，而 PSW 的置信区间较宽。
MEPS（回顾性设计）： 分析种族在医疗支出方面的差异。由于少数族裔被过度抽样，调查权重具有高度变异性。WET 结合 W.PS 成功缓解了极端权重带来的不稳定性，在实现协变量平衡的重叠群体中提供了精确的估计。

意义与主张
本文声称为将调查权重纳入倾向评分加权提供了一个统一的解决方案，将平衡权重框架扩展到了涵盖更广泛估计量类别（包括 PATO）的领域，并提供了用于高效推断的闭式方差估计量。

作者得出了具体的实践建议：

使用调查加权倾向评分（W.PS）： 调查权重应作为倾向评分模型中的回归权重，以确保抽样后的协变量分布与目标总体一致，而不是仅仅将其视为协变量。
优先选择加权回归估计量（WET）： 在增广方法中，推荐使用 WET，因为它具有卓越的稳定性和鲁棒性，特别是在重叠度较差或模型设定错误的情景下。
考虑重叠权重（PATO）： 对于重叠度有限的群体进行具有政策相关性的推断，使用重叠权重针对重叠群体进行估计可以提供更可靠且高效的估计。

作者强调，这些方法已在 PSweight R 包 中实现，便于在复杂的调查性观察研究中应用。他们承认了关于不可观测混杂因素和已知调查权重假设的局限性，并建议未来开展敏感性分析以及向多处理和基于机器学习方法的扩展研究。

1. “两步走”问题

2. 三种实现更高准确性的“工具”

3. “重叠”问题

总结建议

类似论文