用于边际反事实生存曲线的近端因果推断
统计方法学
2022-04-29 v1 统计理论
统计理论
摘要
对比各处理组间的边际反事实生存曲线是推断干预对右删失时间至事件结局因果效应的有效且流行的方法。在观察性环境中得出此类推断的一个关键挑战是可能存在未测量混杂，这会使大多数假定无隐藏混杂偏倚的常用方法失效。本文中，我们不采用标准的无未测量混杂假设，而是扩展 Miao 等 (2018)、Tchetgen 等 (2020)、Cui 等 (2020) 近期提出的近端因果推断框架，通过利用观测协变量作为未测量混杂的不完美代理，获得因果生存对比的非参数识别。具体地，我们开发了近端逆概率加权（PIPW）估计量，即标准 IPW 的近端类比，其允许时间至事件结局的观测数据分布完全不受限制。PIPW 估计依赖于所谓处理混杂桥函数的参数模型，该函数将处理过程与混杂代理相关联。因此，PIPW 可能对模型误设敏感。为提升稳健性与效率，我们还提出一种近端双重稳健估计量，并确立两种估计量的均匀一致性与渐近正态性。我们进行大量模拟以检验估计量的有限样本表现，并将所提方法应用于一项评估重症监护病房危重患者右心导管置入有效性的研究。
引用
@article{arxiv.2204.13144,
title = {Proximal Causal Inference for Marginal Counterfactual Survival Curves},
author = {Andrew Ying and Yifan Cui and Eric J. Tchetgen Tchetgen},
journal= {arXiv preprint arXiv:2204.13144},
year = {2022}
}