处理后混杂因素下因果中介效应的贝叶斯非参数方法
统计方法学
2023-05-10 v1 应用统计
摘要
我们提出一种新的贝叶斯非参数（BNP）方法，用于在存在处理后混杂因素时估计中介的因果效应。我们指定一种 enriched Dirichlet process mixture (EDPM，富集狄利克雷过程混合) 来建模观测数据（结局、中介、处理后混杂因素、处理与基线混杂因素）的联合分布。所提出的BNP模型允许基于混杂因素的聚类数多于结局与中介的聚类数。为可识别性，我们使用\citet{hong2022posttreatment}引入的标准序贯可忽略性的扩展版本。观测数据模型与因果识别假设使我们能够估计并识别中介因果效应，即自然直接效应（NDE）与间接效应（NIE）。我们进行模拟研究以评估所提方法的性能。此外，我们将该方法应用于评估Rural LITE试验中的因果中介效应，展示了其在真实场景中的实用价值。
引用
@article{arxiv.2305.05017,
title = {A Bayesian Non-parametric Approach for Causal Mediation with a Post-treatment Confounder},
author = {Woojung Bae and Michael J. Daniels and Michael G. Perri},
journal= {arXiv preprint arXiv:2305.05017},
year = {2023}
}