.png){kind=icon}
返回
Proximal causal inference for conditional separable effects
.png){kind=icon}
PRE
AI
DOI：10.1093/jrsssb/qkag051.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
科学家们经常就处理效应在处理后事件条件下的结果提出问题。然而，在这些设定下的因果推断需要谨慎，即使在完美执行的随机实验中也是如此。最近，条件可分效应（CSE）被提出作为一种干预主义估计量，对应于这些设定下的科学上有意义的问题。然而，现有关于CSE的结果要求结果与处理后事件之间不存在未测量的混杂，这一假设在实践中经常被违反。在本工作中，我们通过开发允许存在未测量混杂的CSE的新识别和估计结果来解决这一担忧。我们证明了在具有时变混杂因素的观察和实验设定中，只要存在处理后事件和结果的隐藏共同原因的代理变量，就可以非参数识别CSE。对于推断，我们在半参数模型下，其中烦扰函数在先验上不受限制，刻画了CSE的影响函数。使用现代机器学习方法，我们构造了非参数烦扰函数估计量，并建立了改进现有结果的收敛率。此外，我们开发了一种一致的、渐近线性的和局部半参数有效的CSE估计量。我们通过模拟研究和一项真实世界的癌症治疗试验来说明我们的框架。
Keyword:
confounding bridge function
controlled direct effect
mixed-bias property
principal stratum effect
proxy maximum moment restriction
truncation by death
期刊
J
IF:
3.6
论文数:
1.5K
被引数:
3.2W
查看更多机构
.png){kind=icon}
