Gregorich, M. G. (2018). A comparison of methods for causal inference with a rare binary outcome [Diploma Thesis, Technische Universität Wien]. reposiTUm. https://doi.org/10.34726/hss.2018.50700
E105 - Institut für Stochastik und Wirtschaftsmathematik
-
Date (published):
2018
-
Number of Pages:
96
-
Keywords:
Propensity score; Causal inference
en
Abstract:
Die kausale Analyse von Beobachtungsdaten wird nicht nur durch die allgemein komplexe Analytik der Daten beeinträchtigt, sondern wird zusätzlich auch durch vielfältige Herausforderungen wie seltene Outcome-Ereignisse innerhalb der Beobachtungen und einer Vielzahl von Confoundern erschwert. Propensity-Score Methoden bieten eine attraktive Alternative zur Bestimmung von kausalen Therapieeffekten, da sie sich zur Kontrolle des Selektionsbios in einer nichtrandomisierten Studie nicht der Modellierung von Outcome und den unabhängigen Variablen widmen, sondern den Zusammenhang von der experimentellen Behandlung und den Kovariaten modelliert. Die Propensity-Score Methodik wird im Verlauf der Arbeit ausführlich beschrieben und die einzelnen notwendigen Schritte der Propensity Score Analyse diskutiert. Propensity Score Matching und die „inverse probability of treatment weighting“ (IPTW)-Schätzung werden sowohl mit konventionellen Regressionsmodellen zur kausalen Analyse von Beobachtungsstudien verglichen als auch mit einer Kombination zwischen der traditionellen Modellierung und dem Propensity-Score Ansatz. Die unterschiedlichen Methoden zur Schätzung der kausalen Inferenz werden anschließend angewandt, um den marginalen Therapieeffekt einer radiologischen Untersuchung mittels Computertomographie von Patienten, welche sich einer Koronararterien-Bypassoperation (CABG) unterziehen werden, auf das Schlaganfallrisiko während und nach der Operation zu bestimmen. Die vorhergehende Simulationsstudie wird wesentliche Begründungen für die methodischen Entscheidungen liefern, die in Bezug auf die darauffolgende Fallstudie getroffen wurden. Insbesondere wird sich die Simulationsstudie auf den Vergleich der Methoden konzentrieren und deren Performance hinsichtlich der akkuraten Bestimmung des Therapieeffektes ermitteln.
de
Causal inference from observational studies faces a wide variety of challenges in particular in studies with rare outcome events and multiple confounders. The shift towards focusing on modelling the relationship between the treatment assignment and the covariates instead of their association with the outcome to adjust for the effects of selection bias is presented by propensity scores. The methodology will be comprehensively elaborated within the realm of this study and further, appropriate steps in conducting propensity score analyses will be discussed. Matching and weighting the observational data on propensity scores will be compared with an approach based on traditional outcome regression models as well as its combination with propensity score weighting. The different causal inference techniques will be applied to estimate the marginal causal treatment effect of a computer tomography scan examination of patients undergoing coronary artery bypass surgery (CABG) on the postoperative stroke risk. The preceding simulation will provide reasons behind the decisions made regarding the analysis of the case study. More specifically, the simulation study will focus on examining how the four reviewed approaches to causal inference compared in estimating treatment effects accurately under various conditions.