Doubly-Valid/Doubly-Sharp Sensitivity Analysis for Causal Inference with Unmeasured Confounding
因果推斷中未觀測混雜的雙重穩健敏感性分析
https://www.tandfonline.com/doi/full/10.1080/01621459.2024.2335588
![]()
摘要
本文研究存在未觀測混雜因子但其影響有界情形下平均處理效應(ATE)界值的構建問題。具體而言,我們假設遺漏的混雜因子對任何個體接受處理的幾率(odds)改變不超過某一固定倍數。通過分布魯棒優化方法,我們推導出該假設所隱含的精確部分識別界,并提出具有若干新穎穩健性質的界估計量。其一為雙重精確性(double sharpness):當兩個干擾參數中至少一個設定正確時,估計量能一致地估計精確的ATE界;當所有干擾參數均相合時,可達到半參數效率。其二為更具創新性的雙重有效性(double validity):即使多數干擾參數設定錯誤,估計量仍能提供有效(可能偏保守)的ATE界,且Wald置信區間在估計量非漸近正態時依然保持有效性。因此,本方法為因果推斷的敏感性分析提供了高度可信的工具。本文補充材料可在線獲取,包含標準化的可復現材料說明。
關鍵詞:條件風險價值;去偏機器學習;雙重穩健性;部分識別;邊際敏感性模型;半參數效率
原文:https://www.tandfonline.com/doi/full/10.1080/01621459.2024.2335588
特別聲明:以上內容(如有圖片或視頻亦包括在內)為自媒體平臺“網易號”用戶上傳并發布,本平臺僅提供信息存儲服務。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.