因果分解分析的敏感性分析：针对遗漏变量偏倚的稳健性评估
统计方法学
2022-05-27 v1
摘要
分解分析的一个关键目标是识别导致社会群体间结果差异的因素（即“中介变量”）。在分解分析中，学术关注点常集中于估计：若将一个社会群体（如黑人女性）的中介变量（如教育）分布设为与另一群体（如白人男性）相等，该差异（如健康差异）将减少/剩余多少。然而，因果识别差异减少量与剩余量依赖于无遗漏中介—结果混杂假设，而该假设无法经经验检验。因此，我们提出一组敏感性分析，以评估差异减少量对可能未观测混杂的稳健性。我们提供基于回归系数与 值的敏感性分析技术。所提技术可灵活处理在群体状态之前与之后度量的未观测混杂。此外，基于 的敏感性分析对敏感性参数提供了直观解释，并给出了报告研究发现稳健性的标准方式。尽管我们在分解分析背景下引入敏感性分析技术，它们可用于任何基于介入式间接效应的中介场景。
引用
@article{arxiv.2205.13127,
title = {Sensitivity Analysis for Causal Decomposition Analysis: Assessing Robustness Toward Omitted Variable Bias},
author = {Soojin Park and Suyeon Kang and Chioun Lee and Shujie Ma},
journal= {arXiv preprint arXiv:2205.13127},
year = {2022}
}