Sur l'ajustement par régression pour le score de propension

Les scores de propension sont largement adoptés dans la recherche observationnelle car ils permettent d'ajuster les confounders de haute dimension sans nécessiter de modèles pour leur association avec le résultat d'intérêt. Les résultats des analyses statistiques basées sur la stratification, l'appariement ou le poids inverse par le score de propension sont donc moins sensibles à l'extrapolation du modèle que ceux basés uniquement sur des modèles de régression des résultats. Cela est attrayant car l'extrapolation dans les modèles de régression des résultats peut être alarmante, mais difficile à diagnostiquer, lorsque les individus exposés et non exposés ont des distributions de covariables très différentes. L'ajustement standard par régression pour le score de propension constitue une alternative aux méthodes de score de propension mentionnées ci-dessus, mais les avantages de cela sont moins clairs car cela implique toujours de modéliser le résultat en plus du score de propension. Dans cet article, nous développons de nouvelles idées sur les propriétés de cette méthode d'ajustement. Nous démontrons que les tests standards de l'hypothèse nulle d'absence d'effet d'exposition (basés sur des estimateurs de variance robustes), ainsi que des effets standardisés particuliers obtenus à partir de tels modèles de régression ajustés, sont robustes contre la spécification incorrecte du modèle de résultat lorsque le modèle de score de propension est correctement spécifié ; ils ne sont donc pas vulnérables au problème d'extrapolation mentionné ci-dessus. De plus, nous proposons des estimateurs efficaces pour ces effets standardisés, qui conservent une interprétation causale utile même lorsque le modèle de score de propension est mal spécifié, à condition que le modèle de régression des résultats soit correctement spécifié.