适时择法：基于混杂因素调整与工具变量的因果效应估计比较分析
统计方法学
2024-11-26 v3
摘要
在观察性研究中，潜在的未观测混杂是孤立平均因果效应(ACE)的主要障碍。在此类情形下，常使用两种主要方法：用于因果性的混杂因素调整(CAC)与用于因果性的工具变量分析(IVAC)。然而，二者均依赖于不可检验的假设，因此在某些假设违背情形下何种方法更能缓解ACE的不一致性可能并不明确。尽管存在一般指导方针，但CAC与IVAC假设间权衡的直接理论比较有限。使用CAC的普通最小二乘(OLS)与IVAC的两阶段最小二乘(2SLS)，我们在多种假设违背情形下解析比较各方法对ACE的相对不一致性，并讨论实践中的经验法则。此外，提出一个敏感性框架以指导分析者判断给定数据集下何种方法估计ACE的不一致性更小。我们通过模拟以及重访Card关于教育程度对收入影响的分析（该分析此前已就工具有效性引发讨论）来展示我们的发现。我们讨论了这些发现对因果推断实践的意义，为分析者判断给定情形下CAC或IVAC何者更合适提供指导。
引用
@article{arxiv.2307.11201,
title = {Choosing the Right Approach at the Right Time: A Comparative Analysis of Causal Effect Estimation using Confounder Adjustment and Instrumental Variables},
author = {Roy S. Zawadzki and Daniel L. Gillen},
journal= {arXiv preprint arXiv:2307.11201},
year = {2024}
}