Ajuste x correspondência [duplicado]

Question

Eu tenho uma pergunta sobre o ajuste vs correspondência quando o status de confusão é muito diferente entre os grupos. Por exemplo, os homens são mais propensos a ter doença de Parkinson e doenças vasculares; enquanto que as mulheres são mais suscetíveis à doença de Alzheimer e à EM.

Digamos que se deseje avaliar o risco vascular para Parkinson e demência. Nesse caso, idade e sexo são conhecidos por serem fortes fatores de confusão tanto para o risco quanto para o resultado. Ajustar o fator de confusão na regressão deve ser mais confiável ou compatível?

Estou perguntando porque obtive resultados muito diferentes em uma amostra muito bem amostrada com base na população. Por um lado, o risco vascular foi altamente associado aos resultados (OR = 14,4 [5,92,35,2]), mas desapareceu completamente depois de combinar os dois grupos (doença vs livre de doença) (OR = 1,29 [0,92,1,82] ) Os resultados foram bastante robustos nos grupos de correspondência (tentei fazer a correspondência com diferentes proporções e diferentes métodos várias vezes).

Pessoalmente, acho que, com uma grande diferença na distribuição de idade e sexo, o ajuste de regressão pode não ser capaz de explicar a confusão totalmente. Portanto, os resultados da correspondência são mais confiáveis. Uma evidência disso é que, após o pareamento, o PD contribui apenas para um incremento de 0,1 no escore de risco vascular. Portanto, é improvável que a associação fosse real.

Answer 1

De um modo geral, a correspondência é sugerida se

• nem todos os dados foram coletados e você deseja economizar $ ou
• as medidas que você deseja ajustar são difíceis de modelar (geralmente por causa de ter um grande número de categorias distintas), por exemplo, ocupação ou código postal

Sua situação pode ser mais adequada para o ajuste baseado em modelo, mas o exercício de modelagem irá expor as suposições de ausência de interação que você precisaria fazer dependendo de ter dados não balanceados.