Circulation:利用工具变量等统计方法做复杂的医疗决策

2020-07-16 MedSci原创 MedSci原创

许多医学和健康科学研究的目的是确定治疗或干预措施对健康结果的因果关系,而研究因果关系最强有力的证明往往要通过随机对照试验(Randomized Clinical Trials)来实现。而实际情况是,临

许多医学和健康科学研究的目的是确定治疗或干预措施对健康结果的因果关系,而研究因果关系最强有力的证明往往要通过随机对照试验(Randomized Clinical Trials)来实现。而实际情况是,临床上总存在着各种各样道德或实践的客观约束,最终导致研究者不可能进行随机对照。因此很多情况下研究者不得不使用观察性研究(Observational studies)来侧面佐证因果关系。          Causaility evidence strength by study types (picture modified from internet) 观察性研究有效性的主要挑战之一是无法测量的混杂因素(Unmeasured confounding )的存在(如某些在治疗前、治疗组和对照组之间存在无法量化的差异),这也极大地影响着因果验证的结果。统计学上,我们经常用工具变量分析(Instrumental Variable Analysis)这种方法来控制未测混杂因素。这种类型的分析需要找到合适的工具变量,这种工具变量(i)与未测

本文系梅斯医学(MedSci)原创编译整理,转载需授权!

相关资讯

工具变量在社会科学因果推断中的应用

梅斯医学注:这篇文章主要讲工具变量(IV)在社会科学中应用。虽然医学与社会科学不同,但是相比而言,社会科学研究更为复杂,了解IV在社会科学中的应用也有助于理解在医学中的价值。另外,医学中也同样有大量社会科学相关的内容,如医学心理学,医学教育等分析,IV同样是关键性工具。而且,近年来医学科学越来越强调因果推断,而非简单相关性。因为简单相关性会带来大量的误解。例如,最近一篇发表在Eur J Epide

工具变量在因果推断中的应用:逻辑、想象和诠释

一、导言: 因果推断的圣杯  在反事实因果的框架之下 ,基于调查数据的社会学定量分析要进行因果推断,难度极大。其主要原因在于,社会学家一旦要证明某个他们所感兴趣的“因”会带来一定的“果”,就必须面对一个永恒挑战:“内生性”问题( endogeneity) 。也即: 如果某个潜在的、无法观测的干扰项,既影响“因”,又影响“果”,那么,利用最小二乘法模型( 简称OLS模型) 进行回

不借助工具变量、断点回归和随机的前提下有意义的推断

内容来自哥伦比亚大学的姜纬教授在上海财经大学作了一场精彩的讲座--“Accomplishing Meaningful Inferences without Instruments, Discontinuity, and Random Shocks”(在不借助工具变量、断点回归和随机冲击的前提下如何完成有意义的推断) 先从红酒和健康的例子出发,每天喝红酒的人身体更健康一些,从这个事实中我们可以

STATA教程:ivregress2快速保存工具变量一阶和二阶回归结果

工具变量常被用来解决内生性问题,比如遗漏变量、测量误差及反向因果;在实证分析中,则常采用两阶段最小二乘法(2SLS)来实现工具变量分析。本文简单介绍如何快速输出两阶段最小二乘法的一阶和二阶回归结果表格,使用命令为ivregress2,其命令格式类似ivregress,具体说明可参见Stata官方帮助文件。1.定义工作环境clearcd F:\Dropbox\stata13\graphics2.导入

医学临床研究中,有哪些令人叫绝的工具变量?

一个好的工具变量可以直接MIT博士毕业,使用工具变量法的前提是存在有效的工具变量。因此,如何寻找工具变量十分重要。然而,工具变量的两个要求(相关性与外生性)常常自相矛盾,即与内生解释变量相关的变量往往与被解释变量的扰动项也相关。故在实践上,寻找合适的工具变量通常比较困难,需要一定的创造性与想象力。MedSci小编总结并进行相关点评,也给大家带来一些启示,下述这类问题,都可能通过寻找工具变量来解决

工具变量方法:中医药实效研究的统计分析利器

中医中药的治疗与现代医学有较大差别,不仅表现在药物上,也表现在处方的个性化,以及中医师本身的“经验”,而这些“经验”在统计学中称为意向性,其实都是临床研究中的偏倚(bias),经典的统计方法都无法处理这些很难测量的问题,这也是为什么中医治疗疾病的疗效往往呈现“千变万化”,不同的人结果可能完全不同的重要原因。 因此,需要寻找出有效规避这些不可测量的影响因素的统计学策略。实际上,在统计学中,这些