通过序贯调整混杂与失访进行因果效应的恢复与推断
统计方法学
2025-03-25 v6
摘要
混杂偏倚和选择偏倚给应用因果推断所得结论的有效性带来了两个重大挑战。后者可能源于信息性缺失，例如失访的情况。我们引入了序贯调整准则 (SAC)，该准则扩展了现有的图条件，用于通过序贯回归从混杂和失访中恢复因果效应，并允许在调整集中包含暴露后变量和禁止变量。我们基于目标最小损失估计 (TMLE) 为恢复的平均处理效应 (ATE) 提出了一种估计量，该估计量在特定技术条件下表现出多重稳健性。这种方法即使在双重逆概率加权 (DIPW) 和朴素代入序贯回归方法失效的情况下也能确保一致性。通过模拟研究，我们评估了所提估计量在不同图结构和模型设定场景下相对于替代方法的性能。作为一个启发性应用，我们使用观测数据 () 检验了注意力缺陷/多动障碍 (ADHD) 的药物治疗对被诊断的挪威学龄儿童在全国性测试中所得分数的影响。我们的发现与积累的临床证据一致，肯定了药物对学业成绩有积极但微小的影响。
引用
@article{arxiv.2401.16990,
title = {Recovery and inference of causal effects with sequential adjustment for confounding and attrition},
author = {Johan de Aguas and Johan Pensar and Tomás Varnet Pérez and Guido Biele},
journal= {arXiv preprint arXiv:2401.16990},
year = {2025}
}