📊 statistics

Application of Propensity Score Models and Causal Estimators in Observational Studies under Model Misspecification

本研究通过广泛的模拟和实际应用证明，在模型设定错误的情况下，增强的逆概率加权（AIPW）在观察性研究中能提供最为稳健和稳定的因果效应估计，尤其是当其与用于倾向评分估计的灵活机器学习方法相结合时。

原作者： Apu Chandra Das, Sakib Salam, Md Robiul Islam Talukder, Ashim Chandra Das, Antar Chandra Das, Rakhi Chowdhury

发布于 2026-05-21

📖 1 分钟阅读☕ 轻松阅读

原作者： Apu Chandra Das, Sakib Salam, Md Robiul Islam Talukder, Ashim Chandra Das, Antar Chandra Das, Rakhi Chowdhury

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，你正在试图弄清楚一种新肥料是否能让植物长得更高。在一个完美的世界里，你会为每一株植物抛一枚硬币：正面朝上，它就获得肥料；反面朝上，它就不获得。这就是随机对照试验（RCT）。因为抛硬币是随机的，所以获得肥料的植物与未获得肥料的植物在平均意义上是相同的，唯一的区别就是肥料本身。

但在现实世界（观察性研究）中，我们无法总是抛硬币。也许那些选择获得肥料的植物，原本就生长在更肥沃的土壤或拥有更多阳光。如果你仅仅比较它们的高度，你可能会误以为肥料起作用了，而实际上只是土壤更好。这被称为混杂。

为了解决这个问题，统计学家使用一种称为**倾向评分（PS）**的工具。把倾向评分想象成一位“媒婆”或一个“相似度分数”。它根据土壤、阳光和水分等因素，计算出一株植物获得肥料的可能性。如果一株土壤贫瘠的植物获得了肥料，该评分能帮助我们意识到这是一个“异常值”，并在分析中赋予其额外的权重，以平衡天平。

问题：猜测“媒婆”的规则

棘手之处在于，我们不知道这位“媒婆”使用的真实规则是什么。我们必须构建一个模型来猜测这些规则。

旧方法：使用简单、僵硬的规则手册（如逻辑回归）。它易于解读，但如果现实世界混乱且复杂，规则手册可能会出错（模型设定错误）。
新方法：使用超级聪明、灵活的 AI（如随机森林或支持向量机）。它可以学习复杂的模式，但有时它会过于兴奋，做出疯狂的猜测，导致结果不稳定。

这篇论文提出了一个问题：当我们对规则的猜测出错时，哪种方法效果最好？

测试的三种主要工具

研究人员测试了三种不同的方法来利用这些评分，以找出处理的“真实”效应：

RSM（“结果”侦探）：这种方法完全忽略“媒婆”。它只观察获得肥料的植物，并试图根据土壤情况预测它们的高度。
- 弱点：如果你关于土壤如何影响高度的模型是错误的，你的答案也是错误的。
IPW（“权重”平衡器）：这种方法利用“媒婆”的评分来创建一个“虚拟人群”。它给予罕见植物（例如，获得肥料但土壤贫瘠的植物）较重的权重，而给予常见植物较轻的权重。
- 弱点：如果“媒婆”的评分稍有偏差，权重可能会变得疯狂（例如，给某株植物赋予 1,000,000 的权重），导致整个计算摇摆不定甚至崩溃。
AIPW（“双重检查”安全网）：这是一种混合方法。它同时使用“媒婆”（来平衡权重）和“结果”侦探（来预测高度）。
- 超能力：它具有“双重稳健”特性。这意味着你只需要两个猜测中的一个正确即可。如果“媒婆”错了但“结果”侦探对了，它仍然有效；如果“结果”侦探错了但“媒婆”对了，它仍然有效。

模拟实验显示的结果

研究人员运行了数千次计算机模拟，他们知道“真实”答案，但假装不知道。他们以不同的方式搞乱规则，以观察哪种工具能够幸存。

当一切完美时：所有工具都表现良好，但“双重检查”（AIPW）非常稳定。
当“媒婆”（PS）出错时：
- 权重平衡器（IPW） 崩溃了。它变得非常不稳定，尤其是在使用高级 AI 方法时，因为 AI 做出了疯狂的猜测，产生了巨大且不稳定的权重。
- 结果侦探（RSM） 继续正常工作，因为它不依赖“媒婆”。
- 双重检查（AIPW） 继续正常工作，因为它有“结果侦探”作为后盾。
当“结果侦探”出错时：
- 结果侦探（RSM） 完全失败。
- 权重平衡器（IPW） 仅在“媒婆”简单且正确时才有效。如果“媒婆”是高级 AI，IPW 再次失败。
- 双重检查（AIPW） 继续正常工作，因为它有“媒婆”作为后盾。

主要结论：AIPW（双重检查） 方法是最可靠的。它是唯一不关心模型哪一部分出错的工具，只要其中一部分是正确的即可。高级 AI 方法（如随机森林）在发现模式方面很出色，但如果单独用于权重平衡（IPW），它们可能会产生不稳定的结果，因此使用它们存在风险。

现实世界测试

作者在两个真实数据集上测试了这些工具：

ACTG175（“公平”测试）：这是一项真实的医学试验，患者被随机分配到治疗方案中。由于分配是随机的，因此不存在需要修正的偏差。
- 结果：所有工具彼此一致。这证明了在条件公平时，这些工具能正确工作。
ADNI（“不公平”测试）：这是一项关于阿尔茨海默病的研究，人们并非被随机分配；他们原本就患病或健康。这是一个混乱的现实世界场景，存在大量混杂因素。
- 结果：工具之间出现了分歧！
  - 权重平衡器（IPW） 表示暴露（患有阿尔茨海默病）对认知有巨大的负面影响。
  - 双重检查（AIPW） 表示影响要小得多，且不确定性更高。
  - 结果侦探（RSM） 表示几乎没有影响。
- 原因：因为数据混乱，简单的权重平衡器被极端权重搞糊涂了。双重检查方法利用其“安全网”平滑了情况，给出了更保守和稳定的答案。

底线

如果你试图在混乱的现实世界数据中弄清楚因果关系：

不要只依赖一种方法。
高级 AI 模型虽然强大，但如果单独用于权重平衡，可能会不稳定。
双重检查（AIPW） 方法是最安全的选择。它结合了两者之长，确保即使你关于“谁接受治疗”的模型错了，或者你关于“接下来会发生什么”的模型错了，你仍然有很大机会得到正确的答案。

这就像拥有一个备用降落伞：如果你的主降落伞失效，第二个会救你一命。在统计学中，这个备用就是“双重稳健”特性。

技术摘要：模型误设下倾向得分模型与因果估计量在观察性研究中的应用

问题陈述
倾向得分（PS）方法是观察性研究中用于减少混杂和估计因果处理效应的标准工具。然而，基于 PS 的估计量的有效性在很大程度上取决于底层模型的正确设定。在实践中，处理分配（PS）和结果模型的真实函数形式通常是未知的。误设（源于错误的函数形式、遗漏变量或未考虑的交互作用）可能导致因果估计出现显著偏差、不稳定性以及变异性增加。虽然机器学习（ML）方法（如随机森林、支持向量机）为传统的参数模型（如逻辑回归）提供了灵活的替代方案用于 PS 估计，但其在不同程度上模型误设下对经典因果估计量性能的影响仍未得到充分理解。具体而言，有必要评估灵活的基于 ML 的 PS 估计在与响应面建模（RSM）、逆概率加权（IPW）和增强逆概率加权（AIPW）交互时，在模型误设情况下的表现。

方法论
本研究采用综合模拟框架和两个真实世界案例研究来评估估计量的性能。

模拟设计：
- 数据生成： 作者生成了独立观测数据，包含二值处理指示变量（ $A$ ）、连续结果变量（ $Y$ ）以及维度为 $p=9$ 的基线协变量向量（ $X$ ）。协变量服从具有不同相关结构（ $\rho \in \{0.2, 0.7\}$ ）的多变量正态分布。
- 误设情景： 通过组合 PS 模型和结果模型的正确与错误设定，构建了四种不同的情形：
  1. 两个模型均正确设定。
  2. PS 误设（遗漏混杂因素并添加交互项），结果模型正确设定。
  3. PS 正确设定，结果模型误设（遗漏协变量）。
  4. 两个模型均误设。
- 估计量与 PS 模型： 研究比较了三种因果估计量：
  - RSM： 仅结果回归。
  - IPW： 基于 PS 的加权。
  - AIPW： 结合结果回归和加权的 doubly robust（双重稳健）估计量。
  - PS 估计方法： 逻辑回归（LR）、随机森林（RF）、线性判别分析（LDA）和支持向量机（SVM）。
- 评估指标： 性能通过 1,000 次蒙特卡洛重复进行评估，指标包括偏差、绝对偏差、均方根误差（RMSE）、经验标准误（SE）和 95% 置信区间宽度。测试了 $n=200$ 和 $n=1000$ 的样本量。
真实世界应用：
- ACTG175： 一项随机临床试验（HIV-1），用作基准，其中所有估计量理论上应收敛，以此作为校准检查。
- ADNI： 一项回顾性观察性研究（阿尔茨海默病），被重组为准实验，以估计疾病状态（LMCI/AD 对比认知正常）对认知衰退（ADAS13 评分变化）的影响。

主要贡献与结果

双重稳健估计量的优越性：
在所有模拟情景中，增强逆概率加权（AIPW）估计量始终表现出稳健且稳定的性能。由于其“双重稳健”特性，只要 PS 模型或结果模型中有一个被正确设定，AIPW 就能提供一致的估计。即使两个模型均误设，与单模型估计量相比，AIPW 也表现出更低的偏差和更稳定的方差。
IPW 对灵活 PS 估计的脆弱性：
IPW 估计量对 PS 误设和 PS 估计方法的选择表现出高度敏感性。当使用灵活的机器学习方法（特别是随机森林和 SVM）来估计 PS 时，IPW 产生了显著的偏差和不稳定性。这归因于 ML 方法产生了接近 0 或 1 的极端倾向得分，从而导致不稳定的权重。仅当使用参数方法（LR、LDA）正确设定 PS 模型时，IPW 才表现良好。
RSM 的局限性：
RSM 仅在结果模型正确设定时表现良好。在结果模型误设的情况下，RSM 表现出显著偏差，证实了仅基于结果的方法缺乏对结果模型假设违反的稳健性。
样本量与相关性的影响：
将样本量从 200 增加到 1000 显著提高了所有方法的估计量性能（降低了偏差、RMSE 和 SE），这与渐近理论一致。较高的协变量相关性（ $\rho=0.7$ ）通常导致估计精度的提高，这可能是由于所包含协变量的预测能力增强所致。
真实世界发现：
- 在ACTG175（随机）试验中，所有估计量（IPW、AIPW、RSM）均得出了具有一致性、正向且具有统计学显著性的处理效应，验证了这些方法在理想识别条件下的有效性。
- 在ADNI（观察性）研究中，出现了显著差异。IPW 估计量一致表明暴露效应为负（暴露组认知衰退更严重），而 AIPW 和 RSM 的估计值则有所减弱，其置信区间包含零。这突显了方差 - 偏差权衡：IPW 对残余混杂和极端权重敏感，而 AIPW 通过利用结果建模来纠正 PS 误设，提供了更保守的估计。

意义与主张
本文主张，将灵活的机器学习方法整合到双重稳健框架（特别是 AIPW）中，对于改善观察性研究中的因果效应估计至关重要。作者认为，虽然 ML 方法可以捕捉复杂的处理分配机制，但由于不稳定性问题，将其直接应用于基于加权的估计量（IPW）可能会产生问题。相反，当与 AIPW 配对时，ML 方法的灵活性可以被利用，而不会损害估计量的稳健性。

研究得出结论，PS 估计方法的选择对因果推断有重大影响，特别是对于基于加权的估计量。文章提倡使用像 AIPW 这样的双重稳健估计量作为可靠的替代方案，其在广泛的模型设定下均能保持稳定的性能。这些发现被认为与临床试验和监管科学相关，因为在真实世界数据时代，方法学的透明度和稳健性对于可信的决策至关重要。作者谦逊地指出了局限性，包括对中等维度数据的关注以及完全观测混杂因素的假设，并承认在超高维设置或存在未测量混杂的情况下，性能可能会有所不同。

问题：猜测“媒婆”的规则

测试的三种主要工具

模拟实验显示的结果

现实世界测试

底线

技术摘要：模型误设下倾向得分模型与因果估计量在观察性研究中的应用

类似论文