Regression-based proximal causal inference

Jiewen Liu

doi:10.1093/aje/kwae370

Regression-based proximal causal inference

2024-09-25

0

PRE

AI

Eric J. Tchetgen Tchetgen

DOI：10.1093/aje/kwae370

原文链接

原文求助

摘要

En 中文

阴性对照在评估观察性研究中潜在未测量混杂因素的存在方面正被越来越多地使用。除了使用阴性对照来检测残余混杂因素外，近期提出了近端因果推断（PCI）方法，通过利用处理组和结局的阴性对照变量或混杂代理变量来消除因果效应估计中的偏差。针对PCI已开发出形式化的统计推断方法；然而，这些方法在实施上可能具有挑战性，因为它们涉及求解通常为病态的复杂积分方程。我们开发了一种基于回归的PCI方法，采用两阶段广义线性模型（GLMs）来实施PCI，从而无需求解困难的积分方程。所提方法的优势在于：(1) 它适用于连续、计数和二元结局的情况，使其适用于广泛的实际应用；(2) 使用现成的GLM软件即可轻松实现。我们建立了基于回归的PCI的统计性质，并通过合成数据和实际应用实例展示了其性能。本文是“社会流行病学方法”特刊的一部分。

Keyword:

negative control

proxy

unmeasured confounding

generalized linear model

measurement error

Regression-based proximal causal inference

摘要

期刊

机构

引用论文