三分组倾向指数匹配法最优卡钳值的设定montecarlo模拟研究

MonteCarlo10%~80%共8种卡钳值，以10%为间隔递增。通过MonteCarlo模拟比较不同卡钳值在三分组倾向指数匹配法中的应用，以标准化差异(standardizeddifference)、匹配比例、平均误差均方(meansquarederror,MSE)和相对偏倚(relativebias)等观察性研究；倾向指数；多组匹配；MonteCarlo模拟；卡钳；倾向指数方法包括匹配、分层、协变量调整和等，其中最常用的是倾[]，其中最主要的原因是以往的实际应用和理论研究表明，在不遗漏混杂因素的情况下，通过倾向指数匹配法可以得到处理效应的无偏估计，而分层到三分组甚至分组的资料，如何把倾向指数方法应用于多分组资料是一个JixianWang提出了多分组倾向指数分层法在药物安全性研究剂量反应关系中的法中，除了以上两个问题，卡钳值的选择也是关键问题之一。tin等总结了两分组资料倾向指数匹配法在以往研究中常用的8较这些卡钳值在估计处理效应时的精度和偏度，模拟结果提示最优卡钳值是0.02、0.03或者是倾向指数经过logit20%[]。在临床实践中，大部分研究都是两分组或者三分组资料。本文探讨了三分组倾向指数匹配法卡钳的设置问题，旨在探索三分组资料在应用倾向指数匹配法时如何选择最优卡钳值。匹配的算法有两种：全局最优匹配法(globalopimllgorithm)和局部最优匹配法(locloptimallgrithm)最小化[][]gi=

pi=其中，g表示分组个数，pi(i=1,2…g)表示分到i组的概率 邋g邋g (lp-k=i=1j=ig

ç÷其中，lpik(i=1,2…g-1;k=1,2…g)表示第i组分到k组概率的logit变换，lpjk(j=i+1,i+2…g;k=1,2…g)表示第j组分到k组概率的logit变换，g表示组D=D12+D13+3

当g=3时，2.1变为(lp-(lp-lp)2+(lp-lp)2+(lp- 3

(lp-(lp-lp)2+(lp-lp)2+(lp-lp 3

(lp-(lp-lp)2+(lp-lp)2+(lp-lp 3

三分组资料倾向指数匹配方法在以往的研究中应用极少（匹配应用未见报道？择卡钳值为倾向指数经过logit变换后合并标准差的10%80%，以10%为间隔进行模拟研究。样本量相同时，合并标准差的定义为：kåkikåkiS2+S2+S2+S2+S 3iS []d

xtxt s2+s2tc2xtxs2s2cptpt pt(1- pt)+pc(1- d

ptpc当标准化差异小于0.1时，认为组间该变量的均衡性较好。标准化差异满足了2.2MonteCarlo采用MonteCarlo模拟比较8种卡钳值在三分组资料倾向指数匹配法中的应T3为参照组：ìï1X1=1,X2= j 2X=0,X ï3X=0,X= 8个组间分布不均衡的变量，44个二分类变量。

~N(X1?

X2?dk,1)4)表示第kdk=0.15，0.25，0.35，0.4540.2，0.3，0.4，0.147，0.312，0.475，0.6214个分类变量三组间标0.2，0.3，0.4，0.5[]。根据以下模型产生连续性结果变量Yi=-1.6+1.5C1i+2C2i+3C3i+4C4i+4D1i+3D2i+2D3i+1.5D4i+X1i+X2i+其中，随机项服从分布ei~N(0,s=2准差的10%~80%，每一次调整增加10%。重复步骤3.1.1~3.1.31000次。对匹配数据集组间两两比较计算标准（5）1:2:3和2:3:5，重复步骤3.1.1~3.1.4进行模拟。数据模拟及统计分析采用SAS9.1统计软件。2.3本研究的评价指标包括：标准化差异、匹配比例、平均误差均方(MSE)

MSE（q）=Var(qÙVar(q)ÙBias(q,q)表示偏倚，即匹配前后处理效应的差值。组3不同样本比例中，匹配比例最高的都是卡钳为倾向指数经过logit变换后合并标准差的80%时，匹配比例分别为99.9%，9.9%，97.%是卡钳为倾向指数经过logit变换后合并标准差的10%时，匹配比例分别为82.6%，81.%，77.%。第三，当样本比例为1:2:7时，变换卡钳值S变化不大。其它两种样本比例中，卡钳为倾向指数经过logit变换后合并标准差的20%的SE最小或者接近最小值。综合来看，卡钳为倾向指数经过logit变换后合并标准差的20%时，模型估计的精度高于其它卡钳值