傾向スコア法の利点と交絡因子の決め方

2024年8月31日

傾向スコア法は、交絡因子調整という点では、線形の多変量解析、例えば重回帰分析やロジスティック回帰分析と同様である

しかし、線形回帰モデルとは異なる利点が存在する

どんなときに傾向スコア法を用いるのが良いのか

＞＞もう統計で悩むのは終わりにしませんか？

↑期間・数量限定で無料プレゼント中！

傾向スコア法と多変量解析の比較

傾向スコア法が多変量解析より優れている状況については、以下の記事がとても勉強になる

傾向（プロペンシティ）スコアの各使用法の仮定・解釈の違いを比較してみた – Unboundedly

出典：
傾向スコアと普通の（アウトカム）回帰モデルの比較

4 つのポイント

ポイント	多変量解析	傾向スコア
モデルの仮定の違い	アウトカムと共変量の関係性	曝露と共変量の関係性（共変量のバランスを評価することができる）
p-hacking 予防	都合よい有意差が出るまでモデルをこねくり回せる	バランスが取れた時点でモデルの設定が終了
positivity チェック	曝露ありのみ、曝露なしのみの層を調べない	曝露ありなしのバランスを確認する
レアな二値アウトカム	アウトカムがレアな場合はバイアスが大きくなる	アウトカムがレアでもバイアスはほぼ均一

以上をまとめると、

曝露と共変量の関係性が強いとき
探索的な比較より仮説ベースの比較にしたいとき
曝露あり・なしのバランスがより重要なとき
アウトカムがレアなとき

これらのときに傾向スコア法は、多変量解析よりも利点があると言える

サンプルサイズが小さい場合

また、サンプルサイズが小さいときは、傾向スコア法のほうが利点があるとの記述もある

説明変数一つに対して、8 例以上のイベントがある場合は、ロジスティック回帰のほうがよい。7 例以下の場合は、傾向スコア法（5 分割法）のほうがよい

Comparison of Logistic Regression versus Propensity Score When the Number of Events Is Low and There Are Multiple Confounders | American Journal of Epidemiology | Oxford Academic

傾向スコアを作成する際の交絡因子の選び方

では、次に傾向スコアを作成する際に、交絡因子はどのように選んだらよいだろうか

再度、傾向（プロペンシティ）スコアの各使用法の仮定・解釈の違いを比較してみた – Unboundedly から引用する

とにかくなんでもAに関連するものをモデルにいれて割付確率Pr(A=1|L)を精度良く予測すればいいという話ではない

重要なのは、傾向スコアが正しく機能するためには
1. どのLを条件づければバイアスがなくなるのかがわかっている(Conditional Exchangeabilityの成立条件をドメイン知識に基づき決める）
2. それらLのデータが（正しく）測定されている
の２条件が必須だということ。

また、以下のような記載もある