时间序列长度与离散化对纵向因果估计方法的影响
统计方法学
2020-12-01 v1 应用统计
摘要
利用观测时间序列数据评估多点干预的影响正变得日益普遍，因为越来越多的健康和活动数据通过可穿戴设备、社交媒体和电子健康记录被收集和数字化。此类时间序列可能涉及数百或数千个不规则采样观测。一种常见的分析方法是先将这些时间序列离散化为序列，再应用调整时依混杂的离散时间估计方法。在某些情形下，这种离散化会产生具有许多时间点的序列；然而，纵向因果估计量在长序列上的经验性质尚未被系统比较。我们在模拟和真实临床数据上比较了三种代表性纵向因果估计方法。我们的模拟与分析假设马尔可夫结构，且纵向处理/暴露为二值并至多有一个跳变点。我们识别了由数据时间离散化引起的偏倚来源，并为长序列下的数据离散化及方法选择提供了实用指导。此外，我们在真实电子健康记录数据上比较了这些估计量，评估了早期治疗对感染致死性并发症脓毒症患者的效果。
引用
@article{arxiv.2011.15099,
title = {The Impact of Time Series Length and Discretization on Longitudinal Causal Estimation Methods},
author = {Roy Adams and Suchi Saria and Michael Rosenblum},
journal= {arXiv preprint arXiv:2011.15099},
year = {2020}
}