统计学 > 方法论
[提交于 2025年7月16日
(v1)
,最后修订 2025年7月20日 (此版本, v2)]
标题: 评估协变量分布和阳性违反对基于权重的间接比较的影响:一项模拟研究
标题: Assessing the Impact of Covariate Distribution and Positivity Violation on Weighting-Based Indirect Comparisons: a Simulation Study
摘要: 人口调整的间接比较(PAICs)用于在直接比较不可行且仅有一个试验有个体患者数据(IPD)时估计治疗效果。 在PAIC方法中,匹配调整的间接比较(MAIC)是最广泛使用的方法。 然而,关于MAIC在诸如有限协变量重叠或显著非正态协变量分布等挑战性条件下的表现知之甚少。 我们进行了一项蒙特卡洛模拟研究,比较了三种估计器:(i) 首阶矩匹配的MAIC(MAIC-1),(ii) 首阶和二阶矩匹配的MAIC(MAIC-2),以及(iii) 利用完整IPD的基准方法——倾向评分加权(PSW)。 我们检查了从理想条件到存在可识别性违反和非正态(包括双峰)协变量分布的情况。 我们评估了锚定和未锚定估计器,并检查了调整模型误指的影响。 我们还将这些估计器应用于来自AKIKI和AKIKI-2试验的真实世界数据,比较危重患者中的肾脏替代治疗策略。 MAIC-1表现出稳健的性能,在存在中度可识别性违反和非正态协变量的情况下仍保持无偏,而MAIC-2和PSW对可识别性违反更为敏感。 当关键混杂因素被遗漏时,所有方法都显示出显著偏差,强调了正确模型规范的重要性。 在真实世界数据中,发现了一致趋势,MAIC-1在可识别性违反情况下显示更窄的置信区间。 我们的研究结果支持谨慎使用未锚定的MAIC,并突出了MAIC-1在中度假设违反情况下的适应能力。 然而,该方法的有限灵活性强调了在真实世界环境中需要谨慎使用。
文献和引用工具
与本文相关的代码,数据和媒体
alphaXiv (什么是 alphaXiv?)
CatalyzeX 代码查找器 (什么是 CatalyzeX?)
DagsHub (什么是 DagsHub?)
Gotit.pub (什么是 GotitPub?)
Hugging Face (什么是 Huggingface?)
带有代码的论文 (什么是带有代码的论文?)
ScienceCast (什么是 ScienceCast?)
演示
推荐器和搜索工具
arXivLabs:与社区合作伙伴的实验项目
arXivLabs 是一个框架,允许合作伙伴直接在我们的网站上开发和分享新的 arXiv 特性。
与 arXivLabs 合作的个人和组织都接受了我们的价值观,即开放、社区、卓越和用户数据隐私。arXiv 承诺这些价值观,并且只与遵守这些价值观的合作伙伴合作。
有一个为 arXiv 社区增加价值的项目想法吗? 了解更多关于 arXivLabs 的信息.