因果推断中倾向得分的自适应截断
统计方法学
2017-07-20 v1 统计计算
机器学习
摘要
正值性假设（positivity assumption），或称实验处理分配（ETA）假设，对于因果推断中的可识别性至关重要。即使正值性假设成立，对该假设的实际违背也可能危及因果估计量的有限样本表现。实际违背正值性假设的后果之一是估计的倾向得分（PS）出现极端值。解决此问题的常见做法是在构建基于 PS 的估计量时对 PS 估计值进行截断。在本研究中，我们提出了一种基于协作靶向最大似然估计（C-TMLE）方法的新型自适应截断方法 Positivity-C-TMLE。通过与其他常用估计量进行比较，我们在多种模拟中展示了该新方法的卓越性能。结果表明，通过使用更具靶向性的目标函数自适应地截断估计的 PS，Positivity-C-TMLE 估计量在所有考虑的估计量中，无论是点估计还是置信区间覆盖率方面，均实现了最佳性能。
引用
@article{arxiv.1707.05861,
title = {On Adaptive Propensity Score Truncation in Causal Inference},
author = {Cheng Ju and Joshua Schwab and Mark J. van der Laan},
journal= {arXiv preprint arXiv:1707.05861},
year = {2017}
}