S'abonner

CO4.2 - Comparing covariates balancing methods, a simulation study - 10/05/24

Doi : 10.1016/j.jeph.2024.202413 
E. Peyrot 1, , F. Petit 1
1 Université Paris Cité, CRESS UMR 1153, Paris, France 

Auteur correspondant

Résumé

Background

Comparing treatment effects is a significant aim in epidemiology. One measure commonly used to perform this comparison is the average treatment effect. It aims to quantify the causal relation between a treatment and an outcome. Randomized control trials (RCT) are considered the gold standard for this estimation. Nonetheless, conducting a RCT is not always practical because of cost, time, logistic constraints, etc. For that reason, using observational data is increasingly popular, but this comes with many challenges. One of those challenges is the presence of confounders, which can bias an estimation. Balancing methods were created to alleviate this issue. Recently, several balancing methods have been introduced, but there are currently no real guidelines on which one to use. To this aim, we compare one classical method to three more recent ones using simulated data.

Methods

To define an estimation method for an average treatment effect using observational data, one must specify the balancing method, the estimator, and the types of regressor, if needed, for both the balancing and estimation tasks. We compare four balancing methods: Inverse Probability of Treatment Weighting (IPTW), Energy Balancing (EB), Kernel Optimal Matching (KOM) and covariates balancing by Tailored Loss Function (TLF); with three classical estimators: average weighting, double robust scheme, linear regression coefficient; using if required three types of regressor: a correctly specified logistic regression, misspecified logistic regression and a random forest; for a total of 24 estimation methods. Those methods are tested on simulated data with 36 scenarios in which sample size, treatment probability, and confounding level vary.

Results

Results show that the choice of the balancing method matters as much as the choice of the estimator. The type of regressor had a limited impact when estimating the ATE; it was more significant when estimating the ATT. EB demonstrates the best performance overall, TLF yields poor estimation in most settings, and KOM as well as IPTW give good estimations in simple settings. However, the treatment rarity and the confounding level heavily impact these last two methods.

Conclusion

In most scenarios, opting for a double robust estimator proves to be the optimal choice for estimating both ATE and ATT, irrespective of the balancing method employed. Standard methods, like the IPTW with a logistic regression, give good results in settings where the probability of treatment is not too far from 1/2. However, EB with linear regression estimator seems to be the best for settings with rarer treatment according to our simulation.

Le texte complet de cet article est disponible en PDF.

Keywords : Machine learning, Covariates balancing, Confounding bias, Benchmark



© 2024  Publié par Elsevier Masson SAS.
Ajouter à ma bibliothèque Retirer de ma bibliothèque Imprimer
Export

    Export citations

  • Fichier

  • Contenu

Vol 72 - N° S2

Article 202413- mai 2024 Retour au numéro
Article précédent Article précédent
  • CO4.1 - Comment réaliser des analyses en sous-groupes préspécifiés lors de l'utilisation de méthodes par scores de propension dans le cas de sous-groupes déséquilibrés
  • F. Chatelet, B. Verillaud, S. Chevret
| Article suivant Article suivant
  • CO4.3 - Comparaison de la gastrectomie longitudinale avec montage anti-reflux à la gastrectomie longitudinale dans le cadre de la prise en charge de patients obèses : analyse de non-infériorité par score de propension des données de la cohorte BAREVAL
  • M. Amico, B. Al Taweel, D. Nocca, MC. Picot

Bienvenue sur EM-consulte, la référence des professionnels de santé.
L’accès au texte intégral de cet article nécessite un abonnement.

Déjà abonné à cette revue ?

Mon compte


Plateformes Elsevier Masson

Déclaration CNIL

EM-CONSULTE.COM est déclaré à la CNIL, déclaration n° 1286925.

En application de la loi nº78-17 du 6 janvier 1978 relative à l'informatique, aux fichiers et aux libertés, vous disposez des droits d'opposition (art.26 de la loi), d'accès (art.34 à 38 de la loi), et de rectification (art.36 de la loi) des données vous concernant. Ainsi, vous pouvez exiger que soient rectifiées, complétées, clarifiées, mises à jour ou effacées les informations vous concernant qui sont inexactes, incomplètes, équivoques, périmées ou dont la collecte ou l'utilisation ou la conservation est interdite.
Les informations personnelles concernant les visiteurs de notre site, y compris leur identité, sont confidentielles.
Le responsable du site s'engage sur l'honneur à respecter les conditions légales de confidentialité applicables en France et à ne pas divulguer ces informations à des tiers.


Tout le contenu de ce site: Copyright © 2024 Elsevier, ses concédants de licence et ses contributeurs. Tout les droits sont réservés, y compris ceux relatifs à l'exploration de textes et de données, a la formation en IA et aux technologies similaires. Pour tout contenu en libre accès, les conditions de licence Creative Commons s'appliquent.