面向混合尺度数据的因果中介与敏感性分析
统计方法学
2021-11-09 v1 应用统计
摘要
因果中介分析通常在潜在结果框架内描述，其目标是将暴露变量对感兴趣结局的效应沿不同因果路径进行分解。Imai 等人（2010）利用序贯可忽略性假设实现非参数识别，提出了一种灵活的因果中介效应度量方法，侧重于针对结局与中介变量的正态/伯努利参数与半参数模型。当结局和/或中介模型为混合尺度、有序，或超出正态/伯努利设定时，所受关注较少。我们开发了一个简单而灵活的参量建模框架，以适应响应变量为混合连续与二值这一常见情形，并将其应用于结局与中介变量的零一膨胀 beta 模型。将所提方法应用于公开可用的 JOBS II 数据集，我们（i）论证了非正态模型之必要，（ii）展示了如何针对边界删失数据估计平均与分位数中介效应，以及（iii）展示了如何通过引入未识别但具科学意义的敏感性参数来开展有意义的敏感性分析。
引用
@article{arxiv.2111.03907,
title = {Causal Mediation and Sensitivity Analysis for Mixed-Scale Data},
author = {Lexi Rene and Antonio R. Linero and Elizabeth Slate},
journal= {arXiv preprint arXiv:2111.03907},
year = {2021}
}