Słownik metodologiczny · Wnioskowanie przyczynowe

Marginalne modele strukturalne (MSM)

Marginalne modele strukturalne szacują efekt leczenia zmiennego w czasie, gdy zakłócacz zależy od wcześniejszego leczenia. Pokazujemy wagi stabilizowane, ważoną regresję i przykład w R.

Strona główna / Słownik / Marginalne modele strukturalne
W skrócie: Marginalne modele strukturalne (MSM) to modele średniego wyniku potencjalnego jako funkcji historii leczenia, szacowane ważoną regresją z wagami IPW. Pozwalają korygować zakłócenie zależne od czasu, gdy zakłócacz sam zależy od wcześniejszego leczenia – czego zwykła regresja nie potrafi.

Co to są marginalne modele strukturalne?

Marginalne modele strukturalne (ang. marginal structural models, MSM) to modele średniego wyniku potencjalnego w całej populacji jako funkcji historii leczenia, np. E[Ya0, a1] = β0 + β1a0 + β2a1. „Marginalne”, bo opisują populację, a nie warstwy zmiennych; „strukturalne”, bo dotyczą wyników potencjalnych. Wprowadzili je Robins, Hernán i Brumback (2000) i szacuje się je ważoną regresją z wagami IPW. Należą do metod g, obok g-formuły.

Po co, skoro jest regresja?

Problemem jest zakłócenie zależne od czasu, na które wpływa wcześniejsze leczenie. Ciśnienie L1 decyduje o leczeniu w drugiej wizycie, więc jest zmienną zakłócającą, ale samo zależy od leczenia w pierwszej, więc leży na jego drodze przyczynowej. Pominięcie L1 zostawia zakłócenie, a włączenie do regresji odcina część efektu wcześniejszego leczenia. Z tego samego powodu może zawodzić model Coxa ze zmiennymi zależnymi od czasu (Hernán i in., 2000).

Wagi stabilizowane

W każdym punkcie czasu szacujesz prawdopodobieństwo otrzymanego leczenia – jak propensity score, ale z historią zmiennych i leczenia. Waga to iloczyn odwrotności tych prawdopodobieństw po wszystkich wizytach. Wagi stabilizowane mają w liczniku prawdopodobieństwo bez zakłócaczy, więc średnio wynoszą około 1 i są mniej zmienne. Cole i Hernán (2008) omawiają założenia (wymienność, dodatniość, poprawny model wag) i przycinanie skrajnych wag.

Przykład

W symulacji 5000 osób prawdziwy efekt leczenia w czasie 0 wynosi −0.3, a w czasie 1 0.5. Regresja bez korekty daje 0.50 i 1.62, a z korektą o L0 i L1 – 0.51 i 0.49: drugi efekt jest poprawny, pierwszy nie. MSM z wagami stabilizowanymi (średnia 1.00, maks. 12.9) daje −0.23 (95% CI −0.38 do −0.08) i 0.48 (0.32 do 0.63).

Jak opisać w pracy

Efekt leczenia w dwóch wizytach oszacowano marginalnym modelem strukturalnym z wagami stabilizowanymi (modele logistyczne leczenia zależne od ciśnienia i wcześniejszego leczenia; średnia waga 1.00, maks. 12.9) i odpornymi błędami standardowymi. Leczenie w wizycie 1 zmieniało wynik o −0.23 (95% CI [−0.38, −0.08]), a w wizycie 2 o 0.48 [0.32, 0.63].

Na co uważać

  • Błędy standardowe. Wagi są szacowane, więc używaj błędów odpornych; w formacie długim – odpornych na klastrowanie po osobie.
  • Diagnostyka wag. Średnia daleko od 1 albo skrajne wartości sygnalizują źle określony model lub brak dodatniości.
  • Brak niezmierzonego zakłócenia trzeba założyć w każdym punkcie czasu. Pytanie warto ująć jak emulację badania docelowego.
Przykład reprodukowalny

Marginalny model strukturalny w R

Kod symuluje dwa punkty czasu z zakłócaczem zależnym od wcześniejszego leczenia, porównuje regresję bez korekty i ze zwykłą korektą z MSM ważonym wagami stabilizowanymi z WeightIt::weightitMSM(), a przedziały liczy przez survey::svyglm() i sandwich. Liczby w tekście pochodzą z tego kodu.

Wagi stabilizowane i ważona regresja

Dane wejściowe: 5000 osób; L0 wpływa na leczenie A0, leczenie obniża L1, a L1 wpływa na leczenie A1 i wynik Y; prawdziwe efekty brzegowe −0.3 (A0) i 0.5 (A1); dane symulowane, set.seed(7111).

Co odczytać: bez korekty 0.501 i 1.622; zwykła korekta 0.508 i 0.490; wagi stabilizowane (średnia 0.998, maks. 12.9); MSM −0.231 [−0.380, −0.081] i 0.477 [0.322, 0.632]; te same SE z vcovHC(type = "HC0"); efekt „zawsze vs nigdy” 0.247 (prawda 0.2).

R
# Marginalny model strukturalny: dwa punkty czasu, zakłócenie zależne od czasu
library(WeightIt)
library(survey)
library(sandwich)
set.seed(7111)
n <- 5000
L0 <- rnorm(n)                                        # np. ciśnienie na początku
A0 <- rbinom(n, 1, plogis(-0.5 + 0.8 * L0))           # leczenie w czasie 0
L1 <- 0.7 * L0 - 0.8 * A0 + rnorm(n)                  # leczenie obniża L1
A1 <- rbinom(n, 1, plogis(-0.5 + 0.8 * L1 + 0.5 * A0)) # L1 wpływa na leczenie w czasie 1
Y  <- 2 + 0.5 * A0 + 0.5 * A1 + 1.0 * L1 + 0.5 * L0 + rnorm(n)
d <- data.frame(L0, A0, L1, A1, Y)
# Prawdziwe efekty brzegowe: A0 = 0.5 - 0.8 = -0.3 (także przez L1), A1 = 0.5
round(coef(lm(Y ~ A0 + A1, data = d))[-1], 3)              # bez korekty
round(coef(lm(Y ~ A0 + A1 + L0 + L1, data = d))[-1][1:2], 3)  # zwykła korekta o L0 i L1
# Wagi stabilizowane: iloczyn wag z modeli dla A0 i A1
w <- weightitMSM(list(A0 ~ L0, A1 ~ L0 + A0 + L1), data = d,
                 method = "glm", stabilize = TRUE)
summary(w$weights)
# MSM: E[Y^(a0, a1)] = b0 + b1*a0 + b2*a1, ważona regresja z odpornym SE
des <- svydesign(ids = ~1, weights = ~w$weights, data = d)
msm <- svyglm(Y ~ A0 + A1, design = des)
round(cbind(b = coef(msm), confint(msm))[-1, ], 3)
m2 <- lm(Y ~ A0 + A1, data = d, weights = w$weights)     # to samo z sandwich
round(sqrt(diag(vcovHC(m2, type = "HC0")))[-1], 3)
round(c(efekt_zawsze_vs_nigdy = sum(coef(msm)[-1])), 3)   # (1, 1) vs (0, 0); prawda 0.2
Wynik w R
   A0    A1 
0.501 1.622 
   A0    A1 
0.508 0.490 
   Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
 0.2175  0.6290  0.8147  0.9977  1.1387 12.8716 
        b  2.5 % 97.5 %
A0 -0.231 -0.380 -0.081
A1  0.477  0.322  0.632
   A0    A1 
0.076 0.079 
efekt_zawsze_vs_nigdy 
                0.247 

Bibliografia oprogramowania

Wyniki pochodzą z uruchomienia pokazanego kodu w R 4.5.3 (pakiety WeightIt, survey i sandwich). W pracy podaj wersje faktycznie użytych pakietów (sessionInfo()).

  1. R: R Core Team. (2026). R: A language and environment for statistical computing (Version 4.5.3) [Computer software]. R Foundation for Statistical Computing. https://www.R-project.org/
  2. WeightIt (wersja 2.1.0): Greifer, N. (2026). WeightIt: Weighting for covariate balance in observational studies (R package version 2.1.0) [Computer software]. https://doi.org/10.32614/CRAN.package.WeightIt
  3. survey (wersja 4.5): Lumley, T. (2004). Analysis of complex survey samples. Journal of Statistical Software, 9(8), 1–19. https://doi.org/10.18637/jss.v009.i08
  4. sandwich (wersja 3.1.1): Zeileis, A., Köll, S., & Graham, N. (2020). Various versatile variances: An object-oriented implementation of clustered covariances in R. Journal of Statistical Software, 95(1), 1–36. https://doi.org/10.18637/jss.v095.i01

Najczęstsze pytania

Kiedy potrzebny jest marginalny model strukturalny?

Gdy leczenie zmienia się w czasie, a zmienna zakłócająca jednocześnie wpływa na późniejsze leczenie i sama zależy od wcześniejszego. Wtedy ani pominięcie, ani włączenie jej do regresji nie daje poprawnego efektu.

Czym są wagi stabilizowane?

To wagi IPW, w których licznik zawiera prawdopodobieństwo leczenia bez zmiennych zakłócających. Mają średnią bliską 1 i mniejszą zmienność niż wagi niestabilizowane, co daje węższe przedziały ufności.

Jak policzyć MSM w R?

Wagi oszacuj funkcją WeightIt::weightitMSM() z listą modeli leczenia dla kolejnych punktów czasu i stabilize = TRUE, a model wyniku dopasuj przez survey::svyglm() albo lm() z wagami i błędami odpornymi z pakietu sandwich.

Powiązane hasła

Poradniki, w których użyjesz tego pojęcia

Potrzebujesz wsparcia w analizie danych?

Wybierz ofertę dopasowaną do pracy dyplomowej albo profesjonalnego projektu naukowego.

Wyceń analizęOferta dla studentów

Bibliografia i dalsza literatura naukowa (APA 7)

  1. Cole, S. R., & Hernán, M. A. (2008). Constructing inverse probability weights for marginal structural models. American Journal of Epidemiology, 168(6), 656–664. https://doi.org/10.1093/aje/kwn164 ● Otwarty dostęp
  2. Hernán, M. Á., Brumback, B., & Robins, J. M. (2000). Marginal structural models to estimate the causal effect of zidovudine on the survival of HIV-positive men. Epidemiology, 11(5), 561–570. https://doi.org/10.1097/00001648-200009000-00012
  3. Robins, J. M., Hernán, M. Á., & Brumback, B. (2000). Marginal structural models and causal inference in epidemiology. Epidemiology, 11(5), 550–560. https://doi.org/10.1097/00001648-200009000-00011

Cytowania BibTeX

@article{cole2008constructing, author={Cole, Stephen R. and Hernán, Miguel A.}, title={{Constructing inverse probability weights for marginal structural models}}, journal={American Journal of Epidemiology}, year={2008}, volume={168}, number={6}, pages={656--664}, doi={10.1093/aje/kwn164}}
@article{hernan2000marginal, author={Hernán, Miguel Ángel and Brumback, Babette and Robins, James M.}, title={{Marginal structural models to estimate the causal effect of zidovudine on the survival of HIV-positive men}}, journal={Epidemiology}, year={2000}, volume={11}, number={5}, pages={561--570}, doi={10.1097/00001648-200009000-00012}}
@article{robins2000marginal, author={Robins, James M. and Hernán, Miguel Ángel and Brumback, Babette}, title={{Marginal structural models and causal inference in epidemiology}}, journal={Epidemiology}, year={2000}, volume={11}, number={5}, pages={550--560}, doi={10.1097/00001648-200009000-00011}}
R