Kan modellsammanvägning förbättra metoder för skattning av behandlingseffekter

För att skatta behandlingseffekter i observationsstudier är det ofta nödvändigt att modellera den individuella sannolikheten att bli behandlad, varje individs så kallade propensity score. I praktiken är det vanligt att ta fram ett flertal olika modeller och sedan välja den bästa av dessa kandidater baserat på empiriska egenskaper, vanligtvis pricksäkerhet eller hur väl den balanserar fördelningen av bakgrundsvariabler i kontroll- och behandlingsgrupperna. Standard-förfarandet är att använda den valda kandidaten för att skatta behandlings-effekten, och bortse från osäkerheten i valet av propensity score-modell.

På senare tid har modellsammanvägning börjat användas för att kombinera kandiderande modeller för att delvis tillgodose osäkerheten i modellvalet. I sådana procedurer justeras kombineringsvikterna för att optimera någon av kombinationens egenskaper, exempelvis pricksäkerhet eller förmåga att balansera bakgrundsvariabler. Syftet med denna studie är att sammanväga ett antal propensity score-modeller, och undersöka om denna sammanvägning sedermera resulterar i mindre bias i skattningen av behandlingseffekter.

Modellsammanvägning utvärderas i tre olika simuleringsstudier där de kandiderande propensity score-modellerna skattas med reproducing kernel Hilbert space-regression, sammanvägningar av dessa sedan används för att skatta behandlingseffekter. Resultaten i studien pekar på sammanvägning av propensity scores i detta fall inte förbättrar skattningen av behandlingseffekter.