La conditionnement sur le score de propension peut entraîner une estimation biaisée des mesures communes de l'effet du traitement : une étude de Monte Carlo

Les méthodes de score de propension sont de plus en plus utilisées pour estimer les effets de traitement causaux dans la littérature médicale. Le conditionnement sur le score de propension entraîne une estimation non biaisée de la différence attendue dans les réponses observées à deux traitements. Le degré auquel le conditionnement sur le score de propension introduit un biais dans l'estimation du rapport de cotes conditionnel ou du rapport de risques conditionnel, qui sont fréquemment utilisés comme mesures de l'effet du traitement dans des études d'observation, n'a pas été largement étudié. Nous avons réalisé des simulations de Monte Carlo pour déterminer le degré auquel le couplage basé sur le score de propension, la stratification selon les quintiles du score de propension, et l'ajustement des covariables à l'aide du score de propension entraînent une estimation biaisée des rapports de cotes conditionnels, des rapports de risques et des rapports de taux. Nous avons trouvé que le conditionnement sur le score de propension entraînait une estimation biaisée du véritable rapport de cotes conditionnel et du véritable rapport de risques conditionnel. Dans tous les scénarios examinés, les effets du traitement étaient biaisés vers l'effet du traitement nul. Cependant, le conditionnement sur le score de propension n'entraînait pas une estimation biaisée du véritable rapport de taux conditionnel. En revanche, les méthodes de régression classiques permettaient une estimation non biaisée du véritable effet du traitement conditionnel lorsque toutes les variables associées à l'issue étaient incluses dans le modèle de régression. Le biais observé dans les méthodes de score de propension est dû à la différence selon laquelle les modèles de régression permettent d'estimer des effets de traitement conditionnels, tandis que les méthodes de score de propension permettent d'estimer des effets de traitement marginaux. Dans plusieurs contextes avec des effets de traitement non linéaires, les effets de traitement marginaux et conditionnels ne coïncident pas.