用于检测和控制多暴露和多样本选择偏差的图形工具
统计方法学
2024-09-24 v2
摘要
在选择偏差的定义与分析方面，近期发展中包括Kenah（2023年流行病学）的潜在结果方法，该方法允许使用单世界干预图进行非参数分析，将研究参与者的选择与因果效应的识别相链接。Mohan与Pearl（2021年JASA）提供了一个基于DAG的框架，用于通过增强每个偶尔缺失变量的缺失性节点来处理缺失数据，这允许分析更一般的缺失数据问题，但难以编码不同变量在特定子样本中观察到的情形。我们给出一种基于条件可分离效应和子样本选择指标的潜在结果框架的替代表述。这在Kenah所考察的单样本情形与Mohan与Pearl所考察的变量级缺失性之间具有实际意义。这简化了识别条件，允许针对具有多个、可能嵌套或重叠的研究样本，以及多个或时间依赖暴露的情形进行推广。我们给出了用于病例-队列研究、多个或时间依赖暴露以及选择直接效应的可识别性论证示例。
引用
@article{arxiv.2407.20027,
title = {Graphical tools for detection and control of selection bias with multiple exposures and samples},
author = {Patrick M. Schnell and Eben Kenah},
journal= {arXiv preprint arXiv:2407.20027},
year = {2024}
}
备注
Version 2 clarifies how the relationship between assumptions implied by the original and separated SWIGs differs depending on whether the causal model assumed is FFRCISTG or NPSEM-IE