Key points are not available for this paper at this time.
Auch in Abwesenheit nicht gemessener Störfaktoren oder einer fehlerhaften Modellierung können Standardmethoden zur Schätzung des kausalen Effekts einer zeitvariierenden Behandlung auf den Mittelwert eines Ergebnisses mit wiederholten Messungen (zum Beispiel GEE-Regression) verzerrt sein, wenn es zeitabhängige Variablen gibt, die gleichzeitig Verfälscher des interessierenden Effekts sind und durch vorherige Behandlungen vorhergesagt werden. Im Gegensatz dazu können die kürzlich entwickelten marginalen Strukturalmodelle (MSMs) konsistente Schätzungen der kausalen Effekte liefern, wenn nicht gemessene Störfaktoren und Modellfehlerfreiheit vorliegen. Wir beschreiben ein MSM für wiederholte Messungen, das die marginalen Mittelwerte von kontrafaktischen Ergebnissen parameterisiert, die entsprechenden festgelegten Behandlungsregimen entsprechen. Die Parameter der MSMs werden mithilfe einer neuen Klasse von Schätzern geschätzt - invers gewichtete Schätzer der Behandlungswahrscheinlichkeit. Wir verwendeten ein MSM, um den Effekt der Zidovudin-Therapie auf die durchschnittliche CD4-Zahl bei HIV-infizierten Männern in der Multicenter AIDS Cohort Study zu schätzen. Wir schätzten eine potenziell erwartete Zunahme von 5,4 (95 Prozent Konfidenzintervall -1,8, 12,7) CD4-Lymphozyten/l pro zusätzlichem Studienbesuch während der Zidovudin-Therapie. Wir erklären auch die Theorie und Implementierung von MSMs für Daten mit wiederholten Messungen und nutzen ein einfaches Beispiel, um die grundlegenden Ideen zu veranschaulichen.
Hernán et al. (Mi,) haben diese Frage untersucht.