Régression après appariement

Question

J'ai effectué une correspondance 1: 1 du plus proche voisin sur 16 covariables en utilisant le package matchit sur R. L'équilibre des covariables semble bon pour la plupart des covariables, mais il y en a qui ne semblent pas idéales. J'ai ensuite exécuté une régression sur un ensemble de données appariées pour estimer l'impact en ajustant «espérons-le» pour les différences restantes dans les covariables.

Ma question est la suivante: comment savoir que la régression a suffisamment contrôlé les différences restantes dans les valeurs des covariables après l'appariement?

Merci d'avance pour tous les conseils!

Answer 1

De la même manière que nous ne connaissons pas la forme du modèle de résultat (c'est pourquoi nous utilisons en premier lieu l'appariement par score de propension), nous ne savons pas si la régression supprime complètement tous les facteurs de confusion dans un échantillon apparié. L'appariement rend plus plausible la suppression de la confusion par régression; c'est la thèse principale de Ho, Imai, King et Stuart (2007) , l'article qui a motivé le développement de MatchIt.

Vous devez faire autant de travail que possible dans la phase d'appariement pour vous assurer que le biais est éliminé en évaluant l'équilibre sur les covariables non seulement sur leurs moyennes, mais sur l'ensemble de leurs distributions et de leurs interactions. Le cobaltpackage fournit de nombreux diagnostics pour ce faire et fonctionne avec des MatchItobjets.

Vous devez également faire autant de travail que possible pour modéliser le résultat de manière flexible; bien que la régression des effets principaux du résultat des covariables et du traitement puisse être suffisante, vous pouvez être plus sûr de l'élimination du biais en utilisant un modèle flexible, tel qu'un modèle additif généralisé, un modèle de régression avec splines ou une méthode d'apprentissage automatique comme le bayésien arbres de régression additive (BART) ou modélisation boostée généralisée (GBM; pas l' twangimplémentation). Si l'appariement est suffisant pour éliminer le déséquilibre ou si le modèle de résultat est correct, l'estimation de l'effet aura un biais faible; cette propriété est connue sous le nom de «double robustesse».