加性暴露模型的无偏估计

因果推断方法已应用于研究者希望估计处理效应的诸多领域。在传统的因果推断设定中，人们假设一个单元的结果不依赖于其他单元的处理。然而，随着因果推断方法扩展到更多应用，对一般因果效应估计量的需求日益增长。我们采用暴露映射框架[Aronow and Samii, 2017]来映射处理分配与潜在结果之间的关系。在暴露模型下，基于处理效应可加的假设，我们提出了一般因果效应的线性无偏估计量（LUEs）。可加性带来了统计上的优势，此时暴露间的对比等价，因此所考虑的估计量集合得以扩大。我们识别出构成LUEs仿射基的LUEs子集，并通过在估计量支撑上定义条件刻画了具有最小积分方差的最优LUEs。我们通过模拟表明，所提估计量对可加性假设的违背相当稳健，且一般而言，利用所有暴露中的信息是有益的。