当前位置:
X-MOL 学术
›
Epidemiology
›
论文详情
Our official English website, www.x-mol.net, welcomes your
feedback! (Note: you will need to create a separate account there.)
M 偏差和某些其他类型的结构选择偏差的幅度限制
Epidemiology ( IF 4.7 ) Pub Date : 2019-07-01 , DOI: 10.1097/ede.0000000000001031
W. Dana Flanders 1 , Dongni Ye 2
Epidemiology ( IF 4.7 ) Pub Date : 2019-07-01 , DOI: 10.1097/ede.0000000000001031
W. Dana Flanders 1 , Dongni Ye 2
Affiliation
背景结构选择偏差和混杂是对因果效应估计有效性的主要威胁。在这里,我们考虑 M 偏差,一种选择偏差,由 Hernán 等人描述为一种情况,其中偏差是由选择由其他两个变量引起的变量引起的,一个是暴露的原因,另一个是原因结果的。我们的目标是推导出(最大)M-bias 的界限,通过示例探索 M-bias 的大小,说明如何将界限应用于其他类型的选择偏差,并提供直接计算 M-bias 和界。方法 我们假设特定的因果关系表征 M 偏差,并使用模拟进一步评估它,从而推导出选择偏差的界限。结果 通过例子,我们表明,在许多可能的情况下,M-bias 往往很小。在某些示例中,偏差并不小——但最终由研究人员判断的示例的合理性可能很低。这些示例还显示了 M 偏差界限如何为其他类型的选择偏差以及混杂产生界限。后者说明了李的混杂界限如何作为我们的限制案例出现。结论 我们推导出了 M-bias 的新界限。示例说明了如何将其与其他类型的选择偏差一起应用。他们还表明,在某些情况下,它可以产生比先前公布的 M-bias 界限更严格的界限。我们的例子表明,M-bias 可能经常但不统一地很小。这些示例还显示了 M 偏差界限如何为其他类型的选择偏差以及混杂产生界限。后者说明了李的混杂界限如何作为我们的限制案例出现。结论 我们推导出了 M-bias 的新界限。示例说明了如何将其与其他类型的选择偏差一起应用。他们还表明,在某些情况下,它可以产生比先前公布的 M-bias 界限更严格的界限。我们的例子表明,M-bias 可能经常但不统一地很小。这些示例还显示了 M 偏差界限如何为其他类型的选择偏差以及混杂产生界限。后者说明了李的混杂界限如何作为我们的限制案例出现。结论 我们推导出了 M-bias 的新界限。示例说明了如何将其与其他类型的选择偏差一起应用。他们还表明,在某些情况下,它可以产生比先前公布的 M-bias 界限更严格的界限。我们的例子表明,M-bias 可能经常但不统一地很小。他们还表明,在某些情况下,它可以产生比先前公布的 M-bias 界限更严格的界限。我们的例子表明,M-bias 可能经常但不统一地很小。他们还表明,在某些情况下,它可以产生比先前公布的 M-bias 界限更严格的界限。我们的例子表明,M-bias 可能经常但不统一地很小。
"点击查看英文标题和摘要"
更新日期:2019-07-01

"点击查看英文标题和摘要"