因果中介分析中的处理后混杂：前沿问题与基于敏感性分析的新颖解决方案
统计方法学
2021-07-26 v1 应用统计
摘要
在将平均处理效应分解为自然间接效应 (NIE) 和自然直接效应 (NDE) 的因果中介研究中，处理后混杂的例子比比皆是。过去的研究通常认为，由于信息不完整，对中介变量-结果关系的处理后混杂因素进行调整是不可行的：它在实际处理条件下被观测到，而在反事实处理条件下缺失。本研究提出了一种新的敏感性分析策略来处理处理后混杂，并将其纳入基于加权的因果中介分析中，且无需做出额外的识别假设。在处理分配和中介变量的序贯可忽略性下，我们将反事实处理条件下的处理后混杂因素的条件分布表示为不仅依赖于处理前协变量，还依赖于其在实际处理条件下的对应物的函数。然后，敏感性分析在实际处理条件下的处理后混杂因素与反事实条件下的处理后混杂因素之间条件相关性的合理范围内，生成 NIE 和 NDE 的界限。该策略通过插补或积分实现，适用于处理后混杂因素的二元及连续测量。仿真结果展示了这一新解决方案的主要优势和潜在局限性。对“从福利到工作”国家评估 (NEWWS) Riverside 数据的重新分析表明，初始分析结果对遗漏的处理后混杂具有敏感性。
引用
@article{arxiv.2107.11014,
title = {Post-Treatment Confounding in Causal Mediation Studies: A Cutting-Edge Problem and A Novel Solution via Sensitivity Analysis},
author = {Guanglei Hong and Fan Yang and Xu Qin},
journal= {arXiv preprint arXiv:2107.11014},
year = {2021}
}