Estimation doublement robuste de l'effet de traitement avec des attributs manquants.

Résumé Les attributs manquants sont omniprésents dans l'inférence causale, comme ils le sont dans la plupart des travaux statistiques appliqués. Dans cet article, nous considérons différents ensembles d'hypothèses sous lesquels l'inférence causale est possible malgré l'absence d'attributs et nous discutons des approches correspondantes pour l'estimation de l'effet de traitement moyen, y compris les méthodes de score de propension généralisé et l'imputation multiple. Dans le cadre d'une vaste étude de simulation, nous montrons qu'aucune méthode n'est systématiquement plus performante que les autres. Cependant, nous constatons que les modifications doublement robustes des méthodes standard d'estimation de l'effet moyen du traitement avec des données manquantes sont souvent plus performantes que les méthodes de base non doublement robustes. Par exemple, les méthodes de score de propension généralisé doublement robustes sont plus performantes que la pondération inverse avec le score de propension généralisé. Cette constatation est renforcée par l'analyse d'une étude d'observation de l'effet sur la mortalité de l'administration d'acide tranexamique chez les patients souffrant de lésions cérébrales traumatiques dans le cadre de la gestion des soins intensifs. Ici, les estimateurs doublement robustes récupèrent des intervalles de confiance qui sont cohérents avec les preuves provenant d'essais randomisés, alors que les estimateurs non doublement robustes ne le font pas.