暴露粗化对工具变量设置中部分可识别性的影响
统计方法学
2024-02-01 v1
摘要
在工具变量设置中，例如在不完美的随机试验和使用孟德尔随机化的观察性研究中，人们可能会遇到一个连续的暴露变量，其因果效应并非真正的研究兴趣所在。相反，科学兴趣可能在于该暴露变量的一个粗化版本。尽管有大量文献探讨了暴露粗化的影响，其中一些工作专门关注工具变量设置，但该文献中提出的所有方法都需要参数假设。相反，正如在标准工具变量设置中一样，我们可以考虑通过不依赖任何参数假设的界限进行部分识别。这一点首先在 Alexander Balke 的博士论文中被指出。我们扩展并澄清了他的工作，并在多种设置下推导出新的界限，包括对于三级工具变量的情况，这很可能是孟德尔随机化中的常见情形。我们在两个真实数据示例中展示了我们的发现：一项关于婴儿花生过敏的随机试验，以及一项研究同型半胱氨酸对心血管疾病影响的孟德尔随机化设置。
引用
@article{arxiv.2401.17735,
title = {The impact of coarsening an exposure on partial identifiability in instrumental variable settings},
author = {Erin E. Gabriel and Michael C. Sachs and Arvid Sjölander},
journal= {arXiv preprint arXiv:2401.17735},
year = {2024}
}