• 主管部门:
  • 中国科学院
  • 主办单位:
  • 中科院科技战略咨询研究院
  • 出版单位:
  • 世界科学技术杂志社
    科学出版社
  • 主编:
  • 陈凯先
  • 执行主编:
  • 胡镜清 陈士林 叶阳
  • 副主编:
  • (按姓氏笔划排列)王 伟 王 阶 王拥军 王喜军 孔令义 吕文亮 孙晓波 李 萍 李志刚 张卫东 陈立典 果德安 罗国安 赵军宁 徐宏喜 高秀梅 唐旭东 梁繁荣 葛金文
  • 名誉社长:
  • 徐伟宣
  • 社长:
  • 张志华
  • 编辑部主任:
  • 王 瑀
  • 编辑部:
  • 张娜娜 马雅静 方垚 王涵 何岸波 郭嫦娥
  • 责任译审:
  • 王晶
  • 国际刊号:
  • 1876-3553
  • 国内刊号:
  • 11-5699/R
  • 社址:
  • 北京市海淀区中关村东路55号思源楼1203
  • 邮编:
  • 100190
  • 电话:
  • 010-62616352
  • 网址:
  • www.wst.ac.cn
  • E-mail:
  • wst@casipm.ac.cn
  • 海外发行号:
  • M1644
  • 邮刊代号:
  • 2-534

GBM倾向评分加权法用于因果推断的研究
GBM Propensity ScoreWeighting for Causal Inference Research
投稿时间:2017-08-11  修订日期:2017-09-12
DOI:10.11842/wst.2017.09.009
中文关键词:  GBM 倾向评分加权 因果推断 观察性研究 非随机化试验
英文关键词:GBM, Propensity Score Weighting, Causal Inference, Observational Studies, Non-randomized Design
基金项目:国家自然科学基金委青年科学基金项目(81502898):大型观察性医学数据的因果图模型研究,负责人:杨伟;重大新药创制专项子课题(2015ZX09501004-001-007):临床需长期使用的中药口服制剂安全性监测科研研究,负责人:李学林。
作者单位
杨伟 中国中医科学院中医临床基础医学研究所 北京 100700中央民族大学理学院 北京 100081 
唐进法 河南中医药大学第一附属医院 郑州 450000 
易丹辉 中国人民大学应用统计科学研究中心 北京 100872 
李学林 河南中医药大学第一附属医院 郑州 450000 
李伟霞 河南中医药大学第一附属医院 郑州 450000 
周晓华 北京大学北京国际数学研究中心 北京 100871 
摘要点击次数: 117
全文下载次数: 144
中文摘要:
      目的:在观察性研究或非随机化试验中,由于混杂因素***的存在,研究人员从数据中进行因果推断的能力受到阻碍,本研究利用GBM倾向评分加权法对一组观察性医学数据进行了分析,以期指导相关医学人员进行他们自己的因果推断研究。方法:目前,四类主要的倾向评分法:匹配、分层、逆概率加权和混杂变量调整,已经被普遍用于因果推断的研究。倾向评分法理论上是可以消除可观测到的混杂因素的偏倚,使处理变量接近随机分配设计的效果,从而达到估计处理因素对结局因果效应的目的。结果:考虑到逆概率加权法相对于其它方法的优势,本文概括了它用于因果效应估计的适用条件,特别说明了运用一个现代多元非参数统计技术——广义Boosted模型(GBM)倾向评分加权法的关键环节及优劣。结论:当存在大量不同类型的混杂因素且它们与处理因素之间的线性、非线性或交互效应等函数形式无法确定以及其它问题的时候,GBM倾向评分加权法能克服在精确地估计倾向评分过程中所受到的阻碍,并给出相对更加接近于随机化的因果效应。
英文摘要:
      Objective In observational studies or non- randomized design, the researchers ?? ability to make causal inferences from data was hampered by confounding factors. This study used this method to analyze a group of observational medical data in order to instruct relevant medical personnel to carry out their own causal inference studies. Methods At present, the four main types of propensity scoring methods: matching, stratification, inverse probability weighting and covariate adjustment have been widely used in the study of causal inference. Propensity score method can theoretically eliminate the bias of the observable confounding factors, so that the treatments variables are close to the result of random assignment design, thus, it is estimated that the treatment factor has a causal effect on the outcome. Results Considering the advantages of the inverse probability weighting method over other methods, this paper summarizes the applicable conditions for the estimate of causal effect, particularly illustrates the use of a modern nonparametric statistical technology-- Generalized Boosted Models (GBM) and its advantages and disadvantages. Conclusion When there is a lot of different types of confounding factors, and uncertain functional forms for their associations with treatment selection in linear, non-linear or interaction effect, and other issues, GBM propensity score weighting method can overcome the obstacles in the process of accurately estimating propensity score.
查看全文  查看/发表评论  下载PDF阅读器
关闭