傾向スコアの重み付け：早期のヘッドスタート歯科研究へのアプリケーション

目的：介入研究における非ランダム化されたグループの割り当ては、介入前の共変量の不均衡と偏った効果の推定につながる可能性があります。傾向スコア推定を使用して、豊富な前処理情報を備えた早期ヘッドスタート（EHS）データセットでのそのような不均衡を説明します。標準のロジスティック回帰モデル（LRM）と一般化ブーストモデル（GBM）を使用して傾向スコアの結果を比較します。 方法：637のEHSおよび930のメディケイドが一致したコントロールの子供の州全体のサンプルからの親インタビューによって得られた47の社会人口統計学的特性とEHS登録基準を使用して傾向スコアを推定しました。LRMSとGBMを使用して、EHS登録に関連する傾向スコアを推定しました。両方のアプローチのパフォーマンスは、a）処理対象被験者と制御被験者間の前処理の共変量分布のバランスの尺度、および有効なサンプルサイズで測定された傾向スコア重量の安定性を介して評価されました。 結果：すべての変数の分布は、LRMおよびGBMで計算された傾向スコア重みを使用して、EHSおよび非EHSグループのバランスをとっていました。LRMと比較して、GBMは、処理されたスコア加重制御分布と傾向のスコア加重制御分布とのバランスが改善されました。コントロールの有効なサンプルサイズは、930人の被験者からGBMの507、LRMで335に減少しました。 結論：GBMとLRMに由来する傾向スコアは、両方とも効果的にバランスの取れた介入前の共変量を実質的に観察しましたが、GBMはLRMと比較してより良い共変量バランスをもたらしました。GBMはまた、LRMと比較してコントロールグループの効果的なサンプルサイズが大きくなりました。GBMを使用した傾向スコア重み付けは、このEHS介入研究で測定された前介入共変量の不均衡な分布のために交絡を減らすための効果的な統計的方法です。

OBJECTIVES: Nonrandomized group assignment in intervention studies can lead to imbalances in preintervention covariates and biased effect estimates. We use propensity score estimation to account for such imbalances in an Early Head Start (EHS) dataset with rich pretreatment information. We compare propensity score results using standard logistic regression models (LRMs) versus generalized boosted models (GBMs). METHODS: We estimated propensity scores using 47 socio-demographic characteristics and EHS enrollment criteria obtained by parent interviews from a state-wide sample of 637 EHS and 930 Medicaid-matched control children. LRMs and GBMs were used to estimate propensity scores related to EHS enrollment. Performance of both approaches was evaluated via a) measures of balance of pretreatment covariate distributions between treated and control subjects, and b) stability of propensity score weights measured by the effective sample size. RESULTS: Distributions of all variables were balanced for EHS and non-EHS groups using propensity score weights calculated with LRM and GBM. Compared with LRM, GBM resulted in better balance between treated and propensity score-weighted control distributions. The effective sample size of the controls decreased from 930 subjects to 507 with GBM and to 335 with LRM. CONCLUSION: Although propensity scores derived from GBM and LRM both effectively balanced observed preintervention covariates, GBM resulted in better covariate balance compared with LRM. GBM also resulted in a larger effective sample size of the control group compared with LRM. Propensity score weighting using GBM is an effective statistical method to reduce confounding due to imbalanced distributions of measured preintervention covariates in this EHS intervention study.