利用混杂因子重要性学习推断多种处理效应
统计方法学
2025-02-04 v6 应用统计
统计计算
摘要
我们解决了在众多潜在混杂因子下多种处理效应推断的建模与计算问题。我们的主要贡献在于提供了一种权衡：既防止遗漏相关混杂因子，又避免对工具变量过度选择而显著膨胀方差。我们提出了一种用于贝叶斯模型平均的新经验贝叶斯框架，该框架从数据中学习关键协变量的先验包含概率。我们的框架设定了一个数据依赖先验，其在渐近意义上与数据中真实的混杂程度相匹配，该程度由一种新颖的混杂系数度量。一个关键挑战是计算。我们开发了快速算法，使用边际似然的精确梯度（其关于协变量数量具有线性代价）以及一个变分对应方法。我们的框架使用了广泛使用的组件和大量现有软件，并在 R 包 mombf 中得以实现。我们用两个应用来说明我们的工作。第一个是薪资差异与歧视性因素之间的关联。第二个是先前文献中争论过的堕胎政策与犯罪之间的关联。我们的方法提供的见解不同于以往的分析，尤其是在处理效应较弱的情况下。
引用
@article{arxiv.2110.00314,
title = {Inference for multiple treatment effects using confounder importance learning},
author = {Omiros Papaspiliopoulos and David Rossell and Miquel Torrens-i-Dinarès},
journal= {arXiv preprint arXiv:2110.00314},
year = {2025}
}