基于增强分位引导的稳健敏感性分析：在同时违反无混杂性和重叠性假设时
统计方法学
2025-09-17 v1
摘要
观察性研究中因果效应的识别通常依赖两个标准假设：无混杂性和重叠性。然而，这两个假设在实践中常常站不住脚：无混杂性本质上是不可检验的，重叠性在存在极端未测量混杂时可能失效。虽然已 develops 多种方法分别处理未测量混杂和极端倾向得分，但鲜有方法能同时容纳这两个假设的违反。本文提出一个敏感性分析框架，放宽无混杂性和重叠性假设，基于边际敏感性模型。具体而言，我们允许未测量混杂的上界仅对总体中的一部分子群有效，从而容纳混杂的异质性，允许治疗概率为 0 或 1。此外，与现有工作不同，我们不需要假设结果受限，关注重叠加权平均处理效应，这些效应既在实际中具有意义，又对非重叠情况具有鲁棒性。我们开发了高效的线性规划方法获取最坏情况界限，引入一种新颖的增强分位引导程序进行统计推断。该引导方法处理涉及未观测变量的过识别估计方程定义的参数，可能独具意义。我们的工作提供了一个统一且灵活的框架，用于处理无混杂性和重叠性同时违反的敏感性分析。
引用
@article{arxiv.2509.13169,
title = {Robust Sensitivity Analysis via Augmented Percentile Bootstrap under Simultaneous Violations of Unconfoundedness and Overlap},
author = {Han Cui and Xinran Li},
journal= {arXiv preprint arXiv:2509.13169},
year = {2025}
}