潜在序贯可忽略性下序贯处理的贝叶斯推断
统计方法学
2019-05-14 v3
摘要
我们聚焦于纵向处理的因果推断，其中单元在多个时间点被分配处理，旨在评估不同处理序列对最终观测到的结果的影响。类似研究中一个常见的假设是序贯可忽略性（SI）：假定每个时间点的处理分配在给定过去观测结果和协变量的条件下独立于未来的潜在结果。当处理参与依赖于个体选择，且处理分配可能依赖于与未来结果相关的不可观测量时，SI 是值得怀疑的。我们借助主分层来构建 SI 的一个放宽版本：潜在序贯可忽略性（LSI）假定处理分配在给定过去处理、协变量和主分层成员资格（一个由观测到的和缺失的中间结果的联合值定义的潜变量）的条件下，条件独立于未来的潜在结果。我们通过理论论证和模拟研究评估 SI 和 LSI，考察当其中一个假设成立而在两者下进行推断时的表现。模拟表明，当 SI 不成立时，在 SI 下进行的推断会导致误导性结论。相反，无论哪个假设成立，LSI 通常都能得到正确的后验分布。
引用
@article{arxiv.1608.07180,
title = {Bayesian Inference for Sequential Treatments under Latent Sequential Ignorability},
author = {Federico Ricciardi and Alessandra Mattei and Fabrizia Mealli},
journal= {arXiv preprint arXiv:1608.07180},
year = {2019}
}