在控制未测量的空间混杂因素以研究二元暴露效应时，减轻偏见加剧的风险

《American Journal of Epidemiology》：Mitigating the risk of bias exacerbation when controlling for unmeasured spatial confounding for binary exposures

在未测空间混杂因素影响下，空间模型可能加剧二分类暴露效应估计偏差。研究通过模拟和真实数据，比较了空间样条、匹配法及PS匹配等方法对二分类暴露的混杂控制效果。发现足够灵活的空间样条调整能有效消除个体层面二分类暴露的偏差，广义E-PS模型与近邻匹配结合PS模型可产生最大偏差减少。

　　

摘要

在存在未测量空间混杂因素的情况下，与非空间模型相比，空间模型可能会增加暴露效应估计的偏差（即偏差加剧），这引发了关于是否应使用空间模型的争议。对于连续型暴露因素，当暴露因素仅具有空间变化性时（例如空气污染），这一问题尤为突出；而空间模型可以减轻具有非空间变异性的个体因素所带来的偏差（例如血压）。然而，在常见的二元暴露情境中，偏差加剧的可能性以及空间方法的最佳选择尚未得到充分研究。通过模拟和实际应用，我们重点关注基于点参考的数据，比较了控制二元暴露中未测量空间混杂因素的方法，包括空间样条模型、匹配方法以及匹配方法与惩罚样条（PS）模型的组合（这些方法均旨在估计平均处理效应）。此外，我们还将暴露惩罚样条（E-PS）模型进行了推广，使其适用于二元暴露情况，该模型通过选择适当的平滑程度来解释暴露因素的变异性。与连续型暴露类似，空间模型同样能够消除个体层面的二元暴露偏差。不同的是，对于纯空间性的二元暴露，只要空间样条调整足够灵活，偏差也能得到有效降低。广义E-PS模型以及最近邻匹配与惩罚样条模型的组合通常能够实现最大的偏差减少效果。