混杂因素依赖的贝叶斯混合模型:刻画空气污染流行病学中因果效应的异质性
统计方法学
2023-11-01 v3 应用统计
摘要
若干流行病学研究已证明,长期暴露于细颗粒物(PM2.5)会增加死亡风险。此外,一些人群特征(如年龄、种族和社会经济地位)可能在理解空气污染易感性方面起关键作用。为给政策制定提供依据,有必要识别出对空气污染更易或更不易感的人群群体。在因果推断文献中,群体平均处理效应(GATE)是条件平均处理效应的一个独特方面。这一被广泛使用的指标用于基于某些人群特征来刻画处理效应的异质性。本文中,我们引入一种新颖的混杂因素依赖的贝叶斯混合模型(CDBMM)来刻画因果效应异质性。更具体地,我们的方法利用依赖狄利克雷过程的灵活性,在给定协变量和处理水平条件下对潜在结果分布建模,从而使我们能够:(i) 以数据驱动的方式识别出由相似 GATE 定义的异质且互斥的人群群体;(ii) 估计并刻画各识别群体内中的因果效应。通过模拟,我们证明了该方法在揭示处理效应异质性关键见解方面的有效性。我们将该方法应用于德克萨斯州医疗保险参保者的理赔数据,发现了六个因果效应异质的互斥群体。
引用
@article{arxiv.2302.11656,
title = {Confounder-Dependent Bayesian Mixture Model: Characterizing Heterogeneity of Causal Effects in Air Pollution Epidemiology},
author = {Dafne Zorzetto and Falco J. Bargagli-Stoffi and Antonio Canale and Francesca Dominici},
journal= {arXiv preprint arXiv:2302.11656},
year = {2023}
}