Un confronto empirico su possibili combinazioni tra techniche di imputazione e trattamento del confondimento tramite propensity score in presenza di dati mancanti

Negli studi osservazionali la stima dell'effetto causale può essere soggetta a distorsione dovuta alla presenza di confondenti. I metodi basati sul propensity score sono comunemente utilizzati per correggere le stime da tale distorsione. Un altro problema che spesso caratterizza l'analisi statistica è quello dei dati mancanti. L'obiettivo del presente lavoro è quello di confrontare le prestazioni dei quattro principali metodi per trattare il confondimento basati sul propensity score in combinazione con diverse tecniche di imputazione dei dati mancanti. Attraverso una serie di studi di simulazione si sono confrontati i metodi di matching, stratificazione, covariate adjustment e inverse probability of treatment weighting basati sul propensity score per stimare l'effetto medio del trattamento sui trattati (ATT) dopo aver eseguito l'imputazione dei dati mancanti tramite unconditional mean imputation e alcune versioni di multiple imputation by chained equation.