从协变量平衡倾向得分输出估计稳健标准误差

Question

我正在使用CBPS Balancing Propensity Score (CBPS) 包，我想为包含权重的 ATT 结果估计稳健的标准误差。 MatchIt和twang教程都建议使用survey包将权重合并到稳健标准误差的估计中，并且它似乎有效：

design.CBPS <- svydesign(ids=~1, weights=CBPS.object$weights, data=SUCCESS_All.01)
SE <- svyglm(dv ~ treatment, design = design.CBPS)

此外， survey SE 与CBPS包提供的估计系数和 SE 的默认lm()方式有很大不同。 对于那些更熟悉CPBS或survey包的人，这里是否有任何理由说明这不合适或违反了 CBPS 方法的某些假设？ 我没有看到任何关于如何最好地估计标准误差的CBPS文档，所以这就是我有点担心的原因。

Answer 1

夹心（稳健）标准误是倾向得分加权（包括 CBPS）后最常用的标准误。 对于 ATE，它们被认为是保守的（太大），而对于 ATT，它们可能太大或太小。 对于像 CBPS 这样的参数方法，可以使用 M 估计来解释倾向得分的估计和结果模型，但这相当复杂，特别是对于像 CBPS 这样的专门模型。

另一种方法是使用引导程序，您可以引导倾向得分估计和治疗效果估计。 WeightIt文档包含一个示例，说明如何进行引导以估计治疗效果估计周围的置信区间。

使用survey包是获得稳健标准错误的一种方法，但您可以使用其他包，例如MatchIt文档中推荐的sandwich包。 在任何情况下，您都不应使用甚至考虑通常的lm()标准错误； 这些对于逆概率权重是完全不准确的。 CBPS 中的CBPS AsyVar()函数似乎应该提供有效的标准错误，但根据我的经验，这些也非常不准确（与引导程序相比）； 该功能甚至无法获得正确的治疗效果。

我建议您使用引导程序。 这可能需要一些时间（理想情况下，您需要大约 1000 次引导复制），但这些标准错误将是最准确的。