不同混杂结构下广义倾向性评分法的模拟研究及应用

目的通过构建存在不同混杂结构的广义倾向性评分(generalized propensity score,GPS)模型和结局模型,探索比较三种GPS估计法:广义倾向性评分-最小二乘法(generalized propensity score-ordinary least squares,GPS-OLS),广义倾向性评分-增强算法(generalized propensity score-boosting,GPS-Boosting)以及协变量均衡广义倾向性评分(covariate balancing generalized propensity score,CBGPS)法对混杂因素的均衡性能及对暴露效应估计的影响,并将其应用于连续型自变量与健康结局的关联性研究。方法通过蒙特卡洛模拟,分别生成不同样本量的样本(N=400与N=1000),利用GPS-OLS、GPS-Boosting以及CBGPS方法模拟4种不同混杂结构存在的暴露因素模型和结局模型,按照逆概率加权法构造相应的权重,并依据各协变量与暴露因素相关系数变化情况来估计三种GPS估计法均衡混杂变量的能力,通过对比偏倚和均方误差的大小来反映其对暴露效应估计的影响。将其应用于2017年山西省营养调查研究,探讨肉类食物摄入量和高血压之间的关联性。结果在4种混杂结构存在的情况下,相比于GPS-OLS法和GPS-Boosting法,CBGPS法均衡混杂因素的能力最佳。在暴露效应估计方面,CBGPS法也能明显降低暴露效应估计的均方误差以及偏倚程度,估计效果优于GPS-OLS法、GPS-Boosting法。结论使用广义倾向性评分均衡混杂因素时,优选CBGPS方法。同时使用GPS法在实例中验证了肉类食物摄入量和高血压之间的关联性。