基于贝叶斯高斯过程估计环境流行病学中因果暴露-反应曲线的方法
统计方法学
2023-01-27 v3 应用统计
摘要
受环境政策问题驱动,我们解决了因果暴露-反应函数(CERF)的估计、变点检测和不确定性量化方面的挑战。在潜在结果框架下,CERF 描述了连续变化的暴露(或处理)与其对结果的因果效应之间的关系。我们提出了一种依赖高斯过程(GP)模型非参数估计 CERF 的新贝叶斯方法。为实现设计与分析阶段所需的分离,我们对 GP 的协方差(核)函数进行参数化,以通过广义倾向得分(GPS)模拟匹配。选择 GP 的超参数以及核函数形式以优化协变量平衡。我们的方法以高计算效率实现 CERF 的自动不确定性评估,并通过 CERF 导数的推断实现变点检测。我们提供了理论结果,表明我们的贝叶斯 GP 框架与估计连续暴露因果效应的传统因果推断方法之间的对应关系。我们将该方法应用于 520,711 条邮政编码级别观测,以估计美国医疗保险参保者中长期暴露于 PM2.5、臭氧和 NO2 对全因死亡率的因果效应。所提出的 GP 模型的计算高效实现在 GPCERF R 包中提供,该包可在 CRAN 上获取。
引用
@article{arxiv.2105.03454,
title = {A Bayesian Gaussian Process for Estimating a Causal Exposure Response Curve in Environmental Epidemiology},
author = {Boyu Ren and Xiao Wu and Danielle Braun and Natesh Pillai and Francesca Dominici},
journal= {arXiv preprint arXiv:2105.03454},
year = {2023}
}