在早产儿观察研究中操作连续工具变量：算法、部分识别界以及随机化与有偏随机化假设下的推断

早产儿重症监护的区域化是指根据婴儿面临的风险，将高风险妊娠母亲分诊到不同能力医院的分流系统。由于配备高级专业知识以提供重症护理的高级医院容量有限，了解在此类医院分娩早产儿对不同亚组高风险母亲婴儿死亡率的影响，有助于设计高效的围产期区域化系统。为回答这一问题，Baiocchi 等人（2010）提出通过将焦点转移到易于在工具变量（IV）剂量上实现更大分离的较小队列，来加强基于超额通行时间的连续工具变量（IV）在基于 IV 的配对设计中。强化后的 IV 改变了三个要素：研究队列、依从率和潜在依从者亚组。在此，我们引入一种非二分模板匹配算法，将数据嵌入到目标配对随机化鼓励试验中，该试验在保持对原始研究队列保真度的同时加强了 IV。然后，我们研究了基于 IV 的配对设计中样本平均处理效应（SATE）的部分识别界的基于随机化和依赖于 IV 的有偏随机化推断，这与通常的效应比估计量不同，因为 SATE 对 IV 和谁与谁匹配是不可知的，尽管强化的 IV 设计可以缩小部分识别界。基于我们提出的强化 IV 设计，我们发现对于 $81,766 \times 2 = 163,532$ 名母亲及其早产儿，与低级别 NICU 相比，在高级别 NICU 分娩降低了早产儿的死亡率，并且该效应在非黑人、低风险母亲中似乎最小。