面向Partly区间封存时间事件结果的仪器变量分析的半参数贝叶斯方法
统计方法学
2025-01-28 v1 机器学习
应用统计
统计计算
机器学习
摘要
本文发展了一种用于估计当处理未观察混合因素和测量误差时内生变量因果效应的半参数贝叶斯仪器变量分析方法，适用于Partly区间封存的时间事件数据，其中事件时间对某些受试者是精确观测到的，但对其他受试者则是左封存、右封存或区间封存。我们的方法基于一种两阶段Dirichlet过程混合仪器变量(DPMIV)模型，该模型同时使用Dirichlet过程(DPM)的双变量高斯混合模型来模拟暴露变量的第一阶段随机误差项和时间事件结果的第二阶段随机误差项。DPM模型可广泛理解为具有未指定混合组件数的混合模型，从而放宽了正态误差假设，允许混合组件的数量由数据决定。我们为DPMIV模型开发了适用于Partly区间封存数据的MCMC算法，并对我们DPMIV方法在与一些竞争方法进行大量仿真比较的性能进行评估。我们的仿真结果表明，我们提出的方法在不同误差分布下都稳健，并且在各种情形下都优于其参数化对手。我们进一步在UK Biobank数据上展示了该方法的有效性，用于探讨收缩压对糖尿病发病后心血管疾病发生时间的因果效应。
引用
@article{arxiv.2501.14837,
title = {A Semiparametric Bayesian Method for Instrumental Variable Analysis with Partly Interval-Censored Time-to-Event Outcome},
author = {Elvis Han Cui and Xuyang Lu and Jin Zhou and Hua Zhou and Gang Li},
journal= {arXiv preprint arXiv:2501.14837},
year = {2025}
}