基于贝叶斯非参数法识别和估计集群随机试验中带后处理混淆的因果机制
统计方法学
2026-03-25 v2
摘要
在集群随机试验（CRTs）中进行因果 mediation 分析对于解释集群层面干预如何影响个体结果至关重要，但由于干扰、后处理混淆和分层协变量调整，问题变得复杂。我们发展一种贝叶斯非参数框架，同时容纳干扰和位于 mediator 前的后处理混淆因子。通过采用多元高斯 copula来取代跨世界独立性，从而引入单个依赖参数，实现对残余后处理混淆的内置灵敏度分析。对于估计，我们引入嵌套常见原子丰富 Dirichlet 过程（CA-EDP）先验，将 Common Atoms Model（CAM）整合以跨集群共享信息，同时捕捉集群间和集群内异质性；并引入丰富 Dirichlet 过程（EDP）结构，实现对协变量的稳健调整，而不影响结果模型。我们提供形式上的理论支持，通过推导模型的关键分布性质，包括其部分可交换分区结构，并为实际的截断式后验推断策略建立收敛保证。我们在仿真研究中展示所提方法的性能，并通过对已完成 CRT 的再分析提供进一步的说明。
引用
@article{arxiv.2510.16673,
title = {Identification and estimation of causal mechanisms in cluster-randomized trials with post-treatment confounding using Bayesian nonparametrics},
author = {Yuki Ohnishi and Michael J. Daniels and Lei Yang and Fan Li},
journal= {arXiv preprint arXiv:2510.16673},
year = {2026}
}
备注
78 pages