高维因果推断：贝叶斯建模与优良频率学性质的结合
统计方法学
2020-10-06 v7
摘要
我们引入一种在高维情形下估计二元与连续处理因果效应的框架。我们展示了如何将处理模型与结果模型的后验分布与双重稳健估计量结合使用。我们提出了一种针对双重稳健估计量的不确定性量化方法，该方法利用模型参数的后验分布，并且（1）在小样本中具有良好的频率学性质，（2）基于单次 MCMC，（3）优于依赖渐近性质的频率学不确定性度量。我们证明，当两类模型均正确设定时，我们所提出的方差估计策略是一致的；而在有限样本或一类乃至两类模型设定错误时，该策略是保守的。我们考虑在贝叶斯范式下对处理与结果过程进行建模的灵活框架，其可降低模型依赖性、容纳非线性，并实现协变量空间的降维。我们展示了所提方法在高维情形下灵活估计因果效应并恰当量化不确定性的能力，并表明其相对于现有方法表现良好。最后，我们估计了连续环境暴露对胆固醇与甘油三酯水平的影响。相关 R 包可在 github.com/jantonelli111/DoublyRobustHD 获取。
引用
@article{arxiv.1805.04899,
title = {Causal Inference in high dimensions: A marriage between Bayesian modeling and good frequentist properties},
author = {Joseph Antonelli and Georgia Papadogeorgou and Francesca Dominici},
journal= {arXiv preprint arXiv:1805.04899},
year = {2020}
}