Standardizing to Target Populations in Multisite Studies Using Inverse Odds and Augmented Inverse Probability Weighting
Distributed network studies assess treatment effects across heterogeneous populations by pooling data from multiple sites. We show how baseline covariate data from the entire cohort and treatment and outcome data from source sites can be used to estimate average treatment effects in target sites. We propose an inverse odds weighted (IOW) augmented inverse probability weighting (AIPW) framework, improving robustness in transportability settings. Unlike standard AIPW, IOW models source population membership from observational data, introducing a third model beyond the traditional doubly robust estimator. We assess finite-sample performance in simulations and find that correct specification of propensity score model leads to less biased estimates, while different model assumptions yield varied results. IOW-based standardization enhances precision and interpretability in multisite studies and helps explain differences in estimates across study segments.
Standardisation vers des populations cibles dans les études multisites par pondération des odds inverses et pondération inverse de probabilité augmentée
Les études en réseau distribué évaluent les effets de traitements sur des populations hétérogènes en regroupant des données de plusieurs sites. Nous montrons comment les covariables de base de toute la cohorte et les données de traitement et de résultats des sites sources peuvent estimer l'effet moyen du traitement dans les sites cibles. Nous proposons un cadre combinant pondération par les odds inverses (IOW) et pondération inverse de probabilité augmentée (AIPW), améliorant la robustesse dans les contextes de transportabilité. Contrairement à l'AIPW standard, l’IOW modélise l'appartenance à la population source à partir de données observationnelles, introduisant un troisième modèle au-delà de l'estimateur classiquement doublement robuste. Nous évaluons la performance en échantillons finis par simulation et montrons que la spécification correcte du modèle de score de propension réduit le biais, tandis que différentes hypothèses produisent des résultats variés. La standardisation basée sur l’IOW améliore la précision et l’interprétabilité des études multisites et aide à expliquer les différences entre segments d’une étude.
Session
Date and Time
-
Language of Oral Presentation
English
Language of Visual Aids
English