Estimativa duplamente robusta da implementação de efeitos causais

Alguém sabe de uma implementação (que não seja a macro SAS) do método de estimativa duplamente robusto encontrado em:

Funk, MJ, Westreich, D. et al (2011). Estimativa duplamente robusta de efeitos causais. American Journal of Epidemiology, 173 (7): 761-767. [DOI] ?

A estimativa duplamente robusta não é realmente difícil de implementar no idioma de sua escolha. Na verdade, tudo o que você está fazendo é controlar as variáveis ​​de duas maneiras, em vez de uma - a ideia é que, desde que um dos dois modelos usados ​​para controle esteja correto, você tenha controlado com êxito a confusão.

A maneira mais fácil de fazer isso, na minha opinião, é usar pesos de IPTW (Inversa-Probabilidade-de-Tratamento) para ponderar o conjunto de dados e também incluir variáveis ​​em um modelo de regressão normal. É assim que os autores abordam o problema no artigo acima. Também existem outras opções, geralmente pontuações de propensão construídas usadas para correspondência ou como covariável no modelo.

Existem muitas introduções ao IPTW em qualquer idioma estatístico que você preferir. Eu forneceria trechos de código, mas todos os meus estão no SAS e provavelmente seriam parecidos com os autores.

Resumidamente, o que você faz é modelar a probabilidade de exposição com base em suas covariáveis ​​usando algo como regressão logística e estimar a probabilidade prevista de exposição com base nesse modelo. Isso fornece uma pontuação de propensão. A probabilidade inversa de peso do tratamento é, como o nome sugere, 1 / Propensity Score. Às vezes, isso produz valores extremos; portanto, algumas pessoas estabilizam o peso substituindo a probabilidade marginal de exposição (obtida por um modelo de regressão logística do resultado e sem covariáveis) por 1 na equação acima.

Em vez de tratar cada sujeito em sua análise como um sujeito, agora você os trata como n cópias de um sujeito, em que n é o peso deles. Se você executar seu modelo de regressão usando esses pesos e incluindo covariáveis, sai uma estimativa duplamente robusta.

Uma palavra de cautela, no entanto: embora uma estimativa duplamente (ou tripla, etc.) dê a você mais chances de especificar o modelo covariável correto, ela não garante que você o fará. E, mais importante, não pode salvá-lo de confusões não mensuradas.

Parece que houve uma implementação no Stata mesmo antes da publicação do artigo que você citou: http://www.stata-journal.com/article.html?article=st0149 .

O pacote tmle R implementou o Estimador com base em perdas mínimas direcionadas, que é duas vezes robusto e eficiente sob condições. Tem a vantagem adicional de ser um estimador de substituição, em oposição ao IPTW aumentado (que é o que suponho que você esteja se referindo).

Eu tenho o estimador descrito em Funk et al. 2011 (pesos de probabilidade inversa aumentada), implementados na zEpidbiblioteca Python 3 dentro da AIPTWclasse. Detalhes e sintaxe estão AQUI . A biblioteca também inclui TMLE, caso você queira usar as duas abordagens

Há um pacote R que implementa esse estimador de DR do ATE (assim como algumas outras coisas), o npcausalpacote: https://github.com/ehkennedy/npcausal

A função que se ajusta a um estimador de DR é ate()