Reconciling Overt Bias and Hidden Bias in Sensitivity Analysis for Matched Observational Studies
匹配观察研究敏感性分析中可观测偏差与隐藏偏差的协调AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要围绕匹配观察研究中的混杂偏差、Rosenbaum 敏感性模型及因果结论稳健性展开，直接对应因果推断。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
匹配观察研究敏感性分析中可观测偏差与隐藏偏差的协调
- 研究问题
- 当匹配后仍有已测混杂的不精确匹配偏差时，传统 Rosenbaum 敏感性分析对隐藏偏差的配置是否可能过度保守？
- 方法与思路
- 作者要求假设的隐藏偏差与匹配数据中可观测偏差相容，提出新的 Rosenbaum 型敏感性分析，并通过迭代凸规划求解。
- 材料陈述的贡献
- 摘要称除温和正则条件外无需追加假设，即可得到一致更有信息的敏感性分析结果；模拟和应用报告检验功效提升。
- 阅读关注点
- 应核对两类偏差的相容约束如何构造、无需额外假设的确切范围，以及更有信息和功效提升分别针对何种统计结论。
- 阅读边界
- 这是 arXiv 预印本，不能据此确认同行评审或期刊接收；摘要未说明相容性证明与正则条件，不能独立确认改进范围。
原文摘要
Matching is one of the most widely used causal inference designs in observational studies, but post-matching confounding bias remains a critical concern. This bias includes overt bias from inexact matching on measured confounders and hidden bias from unmeasured confounders. Researchers routinely apply the famous Rosenbaum-type sensitivity analysis after matching to assess the impact of these biases on causal conclusions. In this work, we show that this approach is often conservative and may overstate sensitivity to confounding bias because the classical solution to the Rosenbaum sensitivity model may allocate hypothetical hidden bias in ways that contradict the overt bias observed in the matched dataset. To address this problem, we propose a new approach to Rosenbaum-type sensitivity analysis by ensuring compatibility between hidden and overt biases. Our approach does not need to add any additional assumptions (beyond mild regularity conditions) to Rosenbaum-type sensitivity analysis, and can produce uniformly more informative sensitivity analysis results than the conventional Rosenbaum-type sensitivity analysis. Computationally, our approach can be solved efficiently via iterative convex programming. Extensive simulations and a real data application demonstrate substantial gains in statistical power of sensitivity analysis. Importantly, our approach can also be applied to many other sensitivity analysis frameworks.