从协变量平衡倾向得分输出中估计稳健的标准误差
Estimating Robust Standard Errors from Covariate Balanced Propensity Score Output
我正在使用 Covariate 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 and 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 似乎 有效：
design.CBPS <- svydesign(ids=~1, weights=CBPS.object$weights, data=SUCCESS_All.01)
SE <- svyglm(dv ~ treatment, design = design.CBPS)
此外，survey SE 与 CBPS 包提供的默认 lm() 估计系数和 SE 的方法有很大不同。对于那些更熟悉 CPBS 或 survey 包的人来说，这里有什么理由说明这不合适或违反了 CBPS 方法的某些假设吗？我在 CBPS 文档中没有看到任何关于如何最好地估计标准误差的信息，所以这就是我有点担心的原因。
三明治（稳健）标准误是倾向得分加权（包括CBPS）后最常用的标准误。对于 ATE，已知它们是保守的（太大），而对于 ATT，它们可能太大或太小。对于像 CBPS 这样的参数化方法，可以使用 M-estimation 来解释倾向得分的估计和结果模型，但这相当复杂，尤其是对于像 CBPS 这样的专用模型。
另一种方法是使用 bootstrap，您可以在其中 bootstrap 进行倾向得分估计和治疗效果估计。 WeightIt documentation 包含一个示例，说明如何执行 bootstrapping 来估计治疗效果估计值的置信区间。
使用 survey 包是获得可靠标准错误的一种方法，但您还可以使用其他包，例如 MatchIt 文档中推荐的 sandwich 包.在任何情况下，您都不应该使用甚至考虑通常的 lm() 标准错误；这些对于逆概率权重是完全不准确的。 CBPS 中的 AsyVar() 函数似乎应该提供有效的标准错误，但根据我的经验，这些也非常不准确（与 bootstrap 相比）；函数连治疗效果都达不到。
我建议您使用 bootstrap。这可能需要一些时间（理想情况下您需要大约 1000 bootstrap 次重复），但这些标准误差将是最准确的。
我正在使用 Covariate Balancing Propensity Score (CBPS) 包，我想为包含权重的 ATT 结果估计稳健的标准误差。 MatchIt and twang 教程都建议使用 survey 包将权重合并到稳健标准误差的估计中，并且 似乎 有效：
design.CBPS <- svydesign(ids=~1, weights=CBPS.object$weights, data=SUCCESS_All.01)
SE <- svyglm(dv ~ treatment, design = design.CBPS)
此外，survey SE 与 CBPS 包提供的默认 lm() 估计系数和 SE 的方法有很大不同。对于那些更熟悉 CPBS 或 survey 包的人来说，这里有什么理由说明这不合适或违反了 CBPS 方法的某些假设吗？我在 CBPS 文档中没有看到任何关于如何最好地估计标准误差的信息，所以这就是我有点担心的原因。
三明治（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，已知它们是保守的（太大），而对于 ATT，它们可能太大或太小。对于像 CBPS 这样的参数化方法，可以使用 M-estimation 来解释倾向得分的估计和结果模型，但这相当复杂，尤其是对于像 CBPS 这样的专用模型。
另一种方法是使用 bootstrap，您可以在其中 bootstrap 进行倾向得分估计和治疗效果估计。 WeightIt documentation 包含一个示例，说明如何执行 bootstrapping 来估计治疗效果估计值的置信区间。
使用 survey 包是获得可靠标准错误的一种方法，但您还可以使用其他包，例如 MatchIt 文档中推荐的 sandwich 包.在任何情况下，您都不应该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 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 bootstrap 相比）；函数连治疗效果都达不到。
我建议您使用 bootstrap。这可能需要一些时间（理想情况下您需要大约 1000 bootstrap 次重复），但这些标准误差将是最准确的。