因果原假设检验的统计与因果稳健性
统计方法学
2024-07-02 v2
摘要
先前将半参数理论应用于因果推断的工作主要关注在允许识别所需因果参数的预设因果模型下具有统计稳健性的估计量推导。然而，一个根本挑战在于此类模型的正确设定，这通常涉及不可检验的假设。证据因子是一种在两种或多种候选因果模型下结合共同因果原假设检验的方法。在特定条件下，这产生一种若底层模型中至少一个正确即有效的检验，这是一种因果稳健性形式。我们提出一种将半参数理论与证据因子相结合的方法。我们基于 K 个渐近线性半参数估计量的联合渐近正态性发展了一种因果原假设检验，其中每个估计量基于源自 K 个候选因果模型中每一个的不同识别泛函。我们证明该检验提供统计与因果双重稳健性，即若 K 个所提因果模型中至少一个正确则检验有效，同时也允许估计 nuisance 函数时慢于参数率的收敛速度。我们通过模拟以及对 Framingham 心脏研究与 Wisconsin 纵向研究的应用展示了方法的有效性。
引用
@article{arxiv.2310.10393,
title = {Statistical and Causal Robustness for Causal Null Hypothesis Tests},
author = {Junhui Yang and Rohit Bhattacharya and Youjin Lee and Ted Westling},
journal= {arXiv preprint arXiv:2310.10393},
year = {2024}
}