在因果研究中利用随机分配填补缺失协变量
统计方法学
2023-08-29 v2
摘要
随机实验中的基线协变量常用于处理效应的估计，例如当在协变量定义的子组内估计处理效应时。然而在实践中，部分数据对象的协变量值可能缺失。为处理缺失值，分析人员可使用填补方法生成完整数据集，并据此估计处理效应。常见的填补方法包括均值填补、通过回归的单次填补以及多重填补。对于这些方法的每一种，我们研究了在填补流程中利用随机化处理分配的益处，即利用真实协变量分布在各处理组间相同这一事实。我们通过模拟研究来比较尊重或忽略随机化时推断的质量，从而做到这一点。我们针对仅使用协变量实现的填补流程，以及使用结果变量实现的填补流程考察了该问题。无论哪种情况，在我们的模拟场景中，考虑随机化仅带来微小的精度提升。我们的结果也揭示了在随机实验中为估计异质处理效应而填补缺失协变量的这些不同方法的性能表现。
引用
@article{arxiv.1908.01333,
title = {Leveraging Random Assignment to Impute Missing Covariates in Causal Studies},
author = {Gauri Kamat and Jerome P. Reiter},
journal= {arXiv preprint arXiv:1908.01333},
year = {2023}
}