当反事实依赖于所有暴露受试者比例时的因果推断
统计方法学
2018-11-27 v2
摘要
无干扰假设(即任何受试者的暴露不影响另一受试者的结局)长期以来在因果推断研究中占据基础地位。然而,该假设在许多情形下可能被违背,近年来已被大幅放宽。这通常借助已知的底层网络,或假设总体可划分为互不干扰的若干组、组内每个受试者的结局可能通过暴露比例受组内其他所有受试者影响(分层干扰假设)来实现。本文则考虑完全干扰设定,其中每个受试者影响其他所有受试者的结局。具体而言,我们对由整个样本构成的单一组施加分层干扰假设。当暴露为一种共享资源且其效力受共享受试者数量改变时,便会出现此种情形。我们表明,i.i.d. 设定下的靶向最大似然估计量可用于估计一类因果参数,包括特定干预下的直接效应与总效应。该估计量在我们的模型下仍保持双重稳健、半参数有效,并可持续支持机器学习的引入。我们进行了模拟研究,并展示了一项数据应用的结果,其中我们研究了基于护士的分诊系统对肯尼亚健康诊所中接受 HIV 护理患者结局的影响。
引用
@article{arxiv.1710.09588,
title = {Causal Inference When Counterfactuals Depend on the Proportion of All Subjects Exposed},
author = {Caleb H. Miles and Maya Petersen and Mark J. van der Laan},
journal= {arXiv preprint arXiv:1710.09588},
year = {2018}
}
备注
23 pages main article, 23 pages supplementary materials + references, 4 tables, 1 figure