Inferring the causal effect of a treatment on an outcome in an observational study requires adjusting for observed baseline confounders to avoid bias. However, adjusting for all observed baseline covariates, when only a subset are confounders of the effect of interest, is known to yield potentially inefficient and unstable estimators of the treatment effect. Furthermore, it raises the risk of finite‐sample bias and bias due to model misspecification. For these stated reasons, confounder (or covariate) selection is commonly used to determine a subset of the available covariates that is sufficient for confounding adjustment. In this article, we propose a confounder selection strategy that focuses on stable estimation of the treatment effect. In particular, when the propensity score (PS) model already includes covariates that are sufficient to adjust for confounding, then the addition of covariates that are associated with either treatment or outcome alone, but not both, should not systematically change the effect estimator. The proposal, therefore, entails first prioritizing covariates for inclusion in the PS model, then using a change‐in‐estimate approach to select the smallest adjustment set that yields a stable effect estimate. The ability of the proposal to correctly select confounders, and to ensure valid inference of the treatment effect following data‐driven covariate selection, is assessed empirically and compared with existing methods using simulation studies. We demonstrate the procedure using three different publicly available datasets commonly used for causal inference.

中文翻译：

---

针对稳定治疗效果估计量的混杂因素选择策略

在观察性研究中推断治疗对结果的因果关系需要调整观察到的基线混杂因素，以避免偏倚。但是，已知仅当一个子集是目标效果的混杂因素时，对所有观察到的基准协变量进行调整会产生治疗效果的潜在无效和不稳定的估计量。此外，它还增加了有限样本偏差和由于模型错误指定导致的偏差的风险。由于上述原因，通常使用混杂因素（或协变量）选择来确定足以混淆调整的可用协变量的子集。在本文中，我们提出了一个混杂因素选择策略，该策略专注于对治疗效果的稳定估计。特别是，当倾向评分（PS）模型已经包含足以调整混杂因素的协变量时，则仅与治疗或结果相关但并非与两者相关的协变量的添加不应系统地改变效果估计量。因此，该建议要求首先对协变量进行优先排序，以将其纳入PS模型，然后使用估计变化方法选择能够产生稳定效果估计的最小调整集。根据经验评估该提案正确选择混杂因素并确保有效推断治疗效果的能力，并通过仿真将其与现有方法进行比较。我们使用因果推断常用的三个不同的公共可用数据集来演示该过程。那么，仅与治疗或结局相关的协变量（而不是与这两者相关）的相加不应系统地改变效果估算器。因此，该建议要求首先对协变量进行优先排序，以将其纳入PS模型，然后使用估计变化方法选择能够产生稳定效果估计的最小调整集。根据经验评估该提案正确选择混杂因素并确保有效推断治疗效果的能力，并通过仿真将其与现有方法进行比较。我们使用因果推断常用的三个不同的公共可用数据集来演示该过程。那么，仅与治疗或结局相关的协变量（而不是与这两者相关）的相加不应系统地改变效果估算器。因此，该建议要求首先对协变量进行优先排序，以将其纳入PS模型，然后使用估计变化方法选择能够产生稳定效果估计的最小调整集。根据经验评估该提案正确选择混杂因素并确保有效推断治疗效果的能力，并通过仿真将其与现有方法进行比较。我们使用因果推断常用的三个不同的公共可用数据集来演示该过程。不应系统地更改效果估算器。因此，该建议要求首先对协变量进行优先排序，以将其纳入PS模型，然后使用估计变化方法选择能够产生稳定效果估计的最小调整集。根据经验评估该提案正确选择混杂因素并确保有效推断治疗效果的能力，并通过仿真将其与现有方法进行比较。我们使用因果推断常用的三个不同的公共可用数据集来演示该过程。不应系统地更改效果估算器。因此，该建议要求首先对协变量进行优先排序，以将其纳入PS模型，然后使用估计变化方法选择能够产生稳定效果估计的最小调整集。根据经验评估该提案正确选择混杂因素并确保有效推断治疗效果的能力，并通过仿真将其与现有方法进行比较。我们使用因果推断常用的三个不同的公共可用数据集来演示该过程。然后使用估计变化方法选择能够产生稳定效果估计的最小调整集。根据经验评估该提案正确选择混杂因素并确保有效推断治疗效果的能力，并通过仿真将其与现有方法进行比较。我们使用因果推断常用的三个不同的公共可用数据集来演示该过程。然后使用估计变化方法选择能够产生稳定效果估计的最小调整集。根据经验评估该提案正确选择混杂因素并确保有效推断治疗效果的能力，并通过仿真将其与现有方法进行比较。我们使用因果推断常用的三个不同的公共可用数据集来演示该过程。