用于未知混合缺失情形下的因果效应边界
统计方法学
2026-03-19 v4
摘要
在实验和观察数据情境下，研究者常常对缺失结果的原因知之甚少。为解决这种不确定性，我们提出了一种针对缺失结果的因果效应边界方法，能够容纳缺失情况为非观测混合的可信息与不可信息成分。在这种混合缺失框架下，我们探讨了几种假设条件以推导因果效应的边界，包括以用户指定的灵敏度参数为函数形式的边界。我们发展了基于影响函数的边界估计方法，以实现灵活的、非参数的以及基于机器学习的估计，实现根 n 收敛率并在相对温和条件下达到渐近正态性。我们进一步考虑了在可信息缺失反映为竞争性结果（如死亡）时，其他因果数量的识别与估计边界。我们进行了模拟研究，并以健康保险数据集中抗精神病药物对糖尿病风险的因果效应研究为例说明了所提方法。
引用
@article{arxiv.2411.16902,
title = {Bounding causal effects with an unknown mixture of informative and non-informative missingness},
author = {Max Rubinstein and Denis Agniel and Larry Han and Marcela Horvitz-Lennon and Sharon-Lise Normand},
journal= {arXiv preprint arXiv:2411.16902},
year = {2026}
}