针对二值结局 $2^2$ 因子设计的基于随机化的因果推断锐化
统计方法学
2017-11-15 v1
摘要
在医学研究中,常考虑的情景是具二值结局的随机对照 因子设计。借助潜在结局概念,Dasgupta 等人(2015)提出了一种基于随机化的因果推断框架,允许对因子效应进行灵活且同时的估计与推断。然而,Dasgupta 等人(2015)所提方法面临的一个基本挑战是基于随机化的因子效应估计量的抽样方差不可识别,导致相应的经典“Neymanian”方差估计量存在高估。为解决此问题,针对具二值结局的随机对照 因子设计,我们推导了因子效应估计量抽样方差的锐下界,从而得到一种新的方差估计量,锐化了有限总体 Neymanian 因果推断。我们通过一系列模拟研究展示了新方差估计量的优势,并将我们新提出的方法应用于来自随机临床试验的两个真实数据集,从中获得了新的见解。
引用
@article{arxiv.1711.04432,
title = {Sharpening randomization-based causal inference for $2^2$ factorial designs with binary outcomes},
author = {Jiannan Lu},
journal= {arXiv preprint arXiv:1711.04432},
year = {2017}
}
备注
Accepted by Statistical Methods in Medical Research