Tilted sensitivity analysis in matched observational studies

问题描述
在匹配观测研究中，研究人员通过将具有相似观测协变量的处理组单位与对照组单位进行配对，以估计处理效应。然而，未观测到的混杂因素仍可能导致隐藏偏差，即响应值较大的单位更有可能接受处理。遵循 Rosenbaum (1987) 模型的敏感性分析通过确定使研究结论失效所需的未观测混杂程度 ($\Gamma$)，来量化研究结果的稳健性。

虽然针对配对研究（一个处理组，一个对照组）的敏感性分析已有成熟的闭式解（用于计算最坏情况下的 p 值和设计敏感性），但将这些方法扩展到具有多个对照组的研究（匹配集 $n_i > 2$）时面临着显著的技术障碍。现有的“可分离算法”（Separable Algorithm, Gastwirth et al., 2000）需要求解 $I$ 个优化问题，以寻找未观测混杂的最坏情况模式。至关重要的是，对于 $n_i > 2$ 的情况，该算法无法给出最坏情况期望值的闭式表达式，且最坏情况模式会随着敏感性参数 $\Gamma$ 的变化而改变。这种缺乏闭式解的特性阻碍了“设计敏感性”（Design Sensitivity, Rosenbaum, 2004）的解析计算——该指标描述了测试统计量区分处理效应与偏差的能力——从而迫使研究者依赖蒙特卡洛模拟来进行理论比较。

方法论
本文引入了一种“倾斜敏感性分析”（Tilted Sensitivity Analysis）程序。对于任何候选测试统计量 $T = \sum Z_{ij}q_{ij}$，该方法为每个匹配集 $i$ 定义了一个修正后的、“倾斜的”统计量 $T_{\Gamma i}$：
$$T_{\Gamma i} = T_i - \bar{q}_i - \left(\frac{\Gamma - 1}{1 + \Gamma}\right)|T_i - \bar{q}_i|$$
其中 $T_i$ 是该集合内原始统计量，$\bar{q}_i$ 是得分 $q_{ij}$ 在该集合内的均值。

这种修正方式的设计使得最坏情况下的未观测混杂模式（即在尖锐零假设下使期望值最大化的向量 $u$）既可以具有闭式形式，又对 $\Gamma$ 的取值保持不变。具体而言，在这种特定模式下，若 $q_{ij} > \bar{q}_i$，则分配 $u_{ij}=1$；否则，$u_{ij}=0$。在此模式下，倾斜统计量的期望值为零，其方差由一个闭式表达式给出。

本文证明了该方法统一了现有方法：

1. 符号得分统计量（Sign-score statistics）： 对于仅取两个值的统计量（例如在配对设计或 Mantel-Haenszel 检验中），倾斜方法能精确重现传统的敏感性分析。
2. 逆概率加权（IPW）： 倾斜统计量被证明等价于一个极小极大中心化的 IPW 统计量，两者仅在匹配集权重上存在差异。

核心贡献

1. 闭式最坏情况分布： 与可分离算法不同，倾斜方法为包括多对照组在内的任何匹配结构提供了最坏情况期望值和方差的闭式表达式。这消除了敏感性分析步骤中迭代优化的需求。
2. 闭式设计敏感性： 本文推导出了倾斜统计量在任何匹配结构下的设计敏感性的闭式表达式：
   $$\tilde{\Gamma}_{tilt} = \frac{\eta + \theta}{\eta - \theta}$$
   其中 $\theta$ 是平均处理效应贡献的概率极限，$\eta$ 是平均绝对贡献的概率极限。这使得对竞争统计量进行解析比较成为可能，而此前在没有模拟的情况下，多对照设计无法实现这一点。
3. 自适应组合： 本文提出了一种结合倾斜法与传统方法的自适应程序。利用多元单侧检验框架（Cohen et al., 2020），该方法通过自适应地对两种统计量进行加权，使设计敏感性不小于两种个体方法的最大值，从而防止了因先验选择次优方法而导致的偏差。

结果

• 理论比较： 通过解析推导和蒙特卡洛模拟，本文表明对于对称和右偏态误差分布，倾斜方法通常比传统方法具有更高的设计敏感性。相反，对于左偏态分布，传统方法往往保留了更优的设计敏感性。
• 对照组的影响： 对于 $m$-统计量（包括均值差检验和秩检验在内的一类统计量），倾斜方法的设计敏感性随匹配对照数 $J$ 的增加而非递减，且在温和条件下是严格递增的。
• 真实数据应用： 在五个涵盖吸烟、鱼类摄入、教育、酒精和轻度饮酒的真实数据案例中，倾斜方法经常表现出比传统方法更高的敏感性数值（表明对隐藏偏差的稳健性更高），特别是在具有右偏态结果或特定测试统计量的数据集中。自适应方法通常表现得与表现最好的单个方法相当，并显著优于表现最差的方法。

意义
本文声称，倾斜敏感性分析为具有多个对照组的匹配观测研究提供了一种实用且在理论上更优的替代方案。通过提供最坏情况分布和设计敏感性的闭式解，它消除了限制多对照设置下稳健推断发展的计算和理论障碍。能够解析地比较设计敏感性，有助于更好地进行研究设计以及选择更稳健的测试统计量。此外，自适应组合确保了研究人员无需预先在倾斜法和传统方法之间做出选择，从而在保持或提高所报告的观测研究发现的稳健性的同时，为避免不良的方法论选择提供了保障。