用于评估多污染物健康效应的双/去偏机械学习因果推断
应用统计
2024-10-10 v1 机器学习
机器学习
摘要
衡量空气污染及其成分暴露的一种方式是使用个体最近的监测站。这一策略可能导致对实际个人暴露的不准确，尤其是在评估与相关多污染物成分（这些成分测量受相关误差）的因果效应时，引入偏差。本文针对一个成分在其他PM2.5成分存在的情况下的因果效应估计，考虑测量误差和相关性。我们采用线性回归校准模型，通过外部验证研究中的广义估计方程（GEE）拟合，并扩展双/去偏机械学习（DML）方法，以校正测量误差并估计感兴趣的效应。我们证明了基于回归校准的DML估计器是一致的，并推导了其渐近方差。仿真结果显示，所提方法在大多数仿真设置下均显著降低了偏差并实现了名义覆盖概率。我们将该方法应用于评估PM2.5成分对Nurses'健康研究中认知功能的因果效应，结果发现，经过测量误差校正后，Br和Mn两种PM2.5成分显示出对认知功能的负面因果效应。
引用
@article{arxiv.2410.07135,
title = {Causal Inference with Double/Debiased Machine Learning for Evaluating the Health Effects of Multiple Mismeasured Pollutants},
author = {Gang Xu and Xin Zhou and Molin Wang and Boya Zhang and Wenhao Jiang and Francine Laden and Helen H. Suh and Adam A. Szpiro and Donna Spiegelman and Zuoheng Wang},
journal= {arXiv preprint arXiv:2410.07135},
year = {2024}
}