因果効果の実装の二重にロバストな推定

以下にある二重にロバストな推定方法の実装（SASマクロ以外）を知っている人はいますか？

ファンク、MJ、ウェストライヒ、D。et al（2011）。因果効果の二重にロバストな推定。American Journal of Epidemiology、173（7）：761-767。[DOI]？

二重にロバストな見積もりを実際に選択した言語で実装することは、それほど難しくありません。実際に行っているのは、変数の制御を1つではなく2つの方法で行うことです。つまり、制御に使用される2つのモデルのいずれかが正しい限り、交絡は正常に制御されているということです。

それを行うための最も簡単な方法は、私の心の中で、データセットを重み付けする逆確率・オブ・トリートメント（IPTW）の重みを使用することで、その後も通常の回帰モデル内の変数が含まれています。これは、上にリンクされた論文で著者が問題に取り組む方法です。他のオプションもあり、通常、モデルのマッチングまたは共変量のいずれかに使用される傾向スコアを構築します。

IPTWの紹介には、好きな統計言語がたくさんあります。私はコードスニペットを提供しますが、私のすべてはSASにあり、おそらく著者のように読むでしょう。

簡単に言うと、ロジスティック回帰のようなものを使用して、共変量に基づいて露出の確率をモデル化し、そのモデルに基づいて予測される露出の確率を推定します。これにより、傾向スコアが得られます。治療重量の逆確率は、名前が示すように、1 /傾向スコアです。これにより、極端な値が生成される場合があるため、一部の人々は、上記の式の1に暴露の限界確率（結果のロジスティック回帰モデルによって得られ、共変量なし）を代入することで体重を安定させます。

分析の各被験者を1人の被験者として扱う代わりに、被験者のn個のコピーとして扱います。ここで、nは体重です。これらの重みと共変量を使用して回帰モデルを実行すると、二重にロバストな推定が得られます。

ただし、2重（または3重など）のロバスト推定を使用すると、正しい共変量モデルを指定できる可能性が高くなりますが、それが保証されるわけではありません。さらに重要なことに、測定されていない交絡からあなたを救うことはできません。

引用した記事が公開される前でも、スタタに実装があったようです：http : //www.stata-journal.com/article.html? article=st0149 。

TMLE Rパッケージには、条件の下で堅牢なダブル、効率的であるターゲットの最小損失ベースの推定を、実装しました。それは、拡張IPTW（私があなたが言及していると私が想定しているもの）とは対照的に、それが置換推定器であるという追加の利点があります。

Funk et al。に記載されている推定器を持っています。2011（拡張逆確率重み）。クラスzEpid内のPython 3ライブラリに実装されていAIPTWます。詳細と構文はこちらです。ライブラリには、両方のアプローチを使用したい場合に備えて、TMLEも含まれています。

このATEのDRエスティメータ（および他のいくつかのもの）を実装するRパッケージ、npcausalパッケージ：https : //github.com/ehkennedy/npcausal

DR推定量に適合する関数は次のとおりです。 ate()