利用高斯过程先验处理因果效应估计中的正性违背问题
统计方法学
2022-02-21 v2
摘要
在观察性研究中，因果推断依赖于若干关键的识别假设。其中一个可识别性条件为正性假设，它要求接受治疗的概率远离 0 和 1。也就是说，对于每一种协变量组合，都应当能够同时观察到接受治疗和对照的个体，即协变量分布在治疗组之间应当重叠。若正性假设被违背，总体层面的因果推断必然涉及某种外推。理想情况下，在此类情形下应反映出因果效应估计的更大不确定性。鉴于此目标，我们构建了一个高斯过程模型，用于在实际存在正性违背的情况下估计处理效应。我们方法的优势包括极少的分布假设、用于估计处理效应的统一模型，以及在协变量空间中重叠较少的区域关联更大的不确定性。我们通过模拟研究评估了该方法在偏差和效率方面的表现。随后将该法应用于一项针对危重女性患者的研究，以考察接受右心导管插入术的效应。
引用
@article{arxiv.2110.10266,
title = {Addressing Positivity Violations in Causal Effect Estimation using Gaussian Process Priors},
author = {Yaqian Zhu and Nandita Mitra and Jason Roy},
journal= {arXiv preprint arXiv:2110.10266},
year = {2022}
}