R包MatchIt与因子变量

Question

我正在使用 R 包 MatchIt 来计算倾向得分权重，以用于直接的生存分析，并且我注意到根据进入倾向得分计算的一些协变量是因子或数字这一事实，存在非常不同的行为。

一个例子：3 个变量的简单代码，其中一个是数字（大小）和两个因素（比如肿瘤阶段、吸烟习惯）。治疗变量是表明手术类型的一个因素。

示例1：以阶段为因素，吸烟习惯为整数，

> sapply(surg.data[,confounders], class)
tumor_size  TNM.STAGE smoking_hx 
 "numeric"   "factor"  "integer" 

我使用以下代码计算倾向得分并提取权重

data.for.ps = surg.data[,c('record_id','surgeries_combined_n', confounders)]

match.it.1 <- matchit(as.formula(paste0('surgeries_combined_n ~',paste0(confounders, collapse='+'))), 
   data=data.for.ps, method='full', distance='logit')
match.it.1$nn
m.data = match.data(match.it.1)
m.data$weights = match.it.1$weights

没有大问题。无论“蓝色”和“红色”是什么意思，相应的加权生存分析结果如下：

示例 2 完全相同，但肿瘤分期现在是数字

> sapply(surg.data[,confounders], class)
tumor_size  TNM.STAGE smoking_hx 
 "numeric"  "numeric"  "integer" 

一模一样的匹配代码，一模一样的生存分析代码，结果如下：

不是非常不同，而是不同。

示例 3 是完全相同的代码，但包含肿瘤分期和吸烟习惯因素：

> sapply(surg.data[,confounders], class)
tumor_size  TNM.STAGE smoking_hx 
 "numeric"   "factor"   "factor" 

使用完全相同的代码，结果如下：

完全不同。

现在，两个潜在因素之一应该是数字是没有理由的：它们可以是两个因素，但结果无疑是不同的。 谁能帮我理解

1. 为什么会这样？我不认为这是一个编码问题，但更多的是理解哪个是正确的类放入 match.it。
2. 哪个是 MatchIt 的“正确”解决方案，请记住，在包小插图中，输入倾向得分计算的所有变量都是数字或整数，即使是那些可能被编码为因素的变量（例如教育水平或婚姻状况） .
3. 因子应该始终保持因子吗？如果一个因子被编码为 0,1,2,3（数值，但 class=因子）怎么办：它应该保留一个因子吗？

非常感谢您的帮助！ EM

Answer 1

这不是MatchIt 中的错误，而是在分析任何类型的数据时可能发生的真实事件。数值变量包含很多隐藏的假设；特别是，这些值具有有意义的顺序，并且连续值之间的间距相同。在模型中使用数值变量时，您假设变量与模型结果之间存在线性关系。如果这些假设无效，那么您的结果也有可能是无效的。

评估结果对这些假设的敏感性是明智之举。很难知道正确的答案是什么。最保守的观点是将变量视为因素，这不需要假设其他数字变量的函数形式（尽管灵活建模的数字预测器也可能有效）。此方法不需要对变量的性质进行假设，但如果数值变量的任何假设确实有效，您的估计就会失去精度。

因为倾向得分匹配实际上只依赖于良好的倾向得分，而协变量在模型中的作用大多令人讨厌，因此您应该确定哪个倾向得分模型可以在协变量上产生最佳平衡。同样，评估平衡需要对变量的分布方式做出假设，但在各种变换和形式下评估协变量的平衡是完全可行和可取的。如果一个倾向得分规范在协变量的转换之间产生了更好的平衡，那么这就是应该信任的倾向得分模型。超越标准化平均差并查看两组协变量的完整分布将有助于您做出更明智的决定。