.png){kind=icon}
返回
Bridging binarization: causal inference with dichotomized continuous exposures
.png){kind=icon}
PRE
AI
DOI：10.1515/jci-2024-0049.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
平均处理效应（ATE）是因果推断文献中常见的一个估计参数，但其仅适用于二元暴露。因此，尽管一些研究人员提出了担忧，许多旨在估计连续暴露因果效应的研究仍通过将连续值二分化为两类来创建新的二元暴露变量。本文通过证明二分化ATE与两种特定修改处理策略下的平均结果差异等价，确认二分化是回答关于连续暴露因果问题的统计有效方法。这些策略施加与二分化暴露变量对应的截断点，并假定相对自我选择得以保留。相对自我选择是指个体具有连续暴露变量某一值与另一值的概率密度之比。策略假定，对于任何两个在截断后具有非零概率密度的暴露变量值，该比率将保持不变。通过这种等价性，我们阐明了二分化的基本假设，并讨论了如何正确解释由此产生的估计量。此外，我们引入一个可在二分化后计算的新目标参数，该参数将观测世界视为基准。我们主张该参数比传统的二分化ATE参数更能回答相关的因果问题。我们通过模拟研究说明这些假设在数据分析中的含义，并演示如何正确实施所讨论参数的估计量。最后，我们将此方法应用于评估加利福尼亚州一项旨在限制石油和天然气井暴露对出生结果影响的法规，以进一步说明其基本假设。
Keyword:
observational causal inference
continuous exposures
modified treatment policies
