Optimization-based Sensitivity Analysis for Unmeasured Confounding using Partial Correlations
利用偏相关的未观测混杂优化敏感性分析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：摘要以未观测混杂下的线性因果效应、工具变量偏差和敏感性区间为核心。
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
利用偏相关的未观测混杂优化敏感性分析
- 研究问题
- 在线性因果效应分析中，同时存在未观测混杂因素和潜在工具变量时，如何界定偏差并构造具有可信覆盖的敏感性区间？
- 方法与思路
- 作者将敏感性分析写为受约束随机优化问题，用偏相关表达 OLS 与 TSLS 目标的偏差，并提出自助法敏感性区间。
- 材料陈述的贡献
- 摘要指出启发式代入区间可能没有置信保证，提出更灵活的偏相关约束框架，并以模拟及教育对收入的应用展示方法。
- 阅读关注点
- 应核对偏相关约束的可行性、工具变量如何进入敏感性模型，以及自助法区间覆盖的目标、条件和优化求解过程。
- 阅读边界
- 这是预印本，同行评审及期刊接收未获核实；摘要未提供区间保证的完整条件，模拟表现也不能验证未观测混杂约束。
原文摘要
Causal inference necessarily relies upon untestable assumptions; hence, it is crucial to assess the robustness of obtained results to violations of identification assumptions. However, such sensitivity analysis is only occasionally undertaken in practice, as many existing methods require analytically tractable solutions and their results are often difficult to interpret. We take a more flexible approach to sensitivity analysis and view it as a constrained stochastic optimization problem. This work focuses on sensitivity analysis for a linear causal effect when an unmeasured confounder and a potential instrument are present. We show how the bias of the OLS and TSLS estimands can be expressed in terms of partial correlations. Leveraging the algebraic rules that relate different partial correlations, practitioners can specify intuitive sensitivity models which bound the bias. We further show that the heuristic "plug-in" sensitivity interval may not have any confidence guarantees; instead, we propose a bootstrap approach to construct sensitivity intervals which performs well in numerical simulations. We illustrate the proposed methods with a real study on the causal effect of education on earnings and provide user-friendly visualization tools.