为加权估计器的敏感性模型校准混杂强度：比较综述与新方法
统计方法学
2026-02-27 v2
摘要
因果推断的有效性依赖于其 underlying 假设的满足，其中最核心的是不可观测性（ignorability）或无混杂性假设。然而，这一假设在观察性研究中常不现实，因为某些混杂变量可能 remains unobserved。为解决这一限制，针对逆概率加权（IPW）估计器的敏感性模型——称为边际敏感性模型（Marginal Sensitivity Models）——已被引入，允许对不可观测性进行受控的放宽。围绕这些模型，已涌现出大量文献，旨在为二元和连续处理效应推导尖锐且稳健的界限。这些方法的关键要素是敏感性参数的指定，称为“混杂强度”，用于量化对不可观测性的偏离程度。然而，确定该参数的合适值具有挑战性，敏感性分析的最终解释可能不清晰。我们认为，这些困难构成了此类方法在实践中采纳的主要障碍。因此，在介绍IPW估计器的敏感性分析后，我们审述了不同策略以估计或下界估计混杂强度的方法，提出一种利用负控制组的新方法，提供一套决策树以指导选择合适的方法，并进行深入的模拟研究进行方法比较。
引用
@article{arxiv.2510.16560,
title = {Calibrating confounding strength in sensitivity models for weighting estimators: a comparative review and a new method},
author = {Jean-Baptiste Baitairian and Bernard Sebastien and Rana Jreich and Sandrine Katsahian and Agathe Guilloux},
journal= {arXiv preprint arXiv:2510.16560},
year = {2026}
}