Flexible sensitivity analysis for causal inference in observational studies subject to unmeasured confounding
未测量混杂下观察性研究因果推断的灵活敏感性分析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：摘要直接研究未测量混杂下的因果效应敏感性分析，并覆盖多种因果估计策略。
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…
未测量混杂下观察性研究因果推断的灵活敏感性分析
- 研究问题
- 观察性研究存在未测量混杂时，如何在不同常用估计策略下统一评估因果结论随混杂程度变化的敏感性？
- 方法与思路
- 作者通过给定观测协变量时观测结局与反事实结局的比较参数化选择偏差，对加权、结局回归和双重稳健估计作调整。
- 材料陈述的贡献
- 摘要称框架只需简单修改标准估计量，并可扩展到因果风险比、优势比、已处理者平均效应和生存结局，提供 saci 包。
- 阅读关注点
- 应核对选择偏差参数的定义与可行范围、各估计量的调整公式，以及双重稳健性质在敏感性分析中的适用条件。
- 阅读边界
- 这是 arXiv 预印本，不能据此认定已同行评审或期刊接收；摘要未说明参数校准方式、理论保证或各种扩展的具体条件。
原文摘要
Causal inference with observational studies often suffers from unmeasured confounding, yielding biased estimators based on the unconfoundedness assumption. Sensitivity analysis assesses how the causal conclusions change with respect to different degrees of unmeasured confounding. Most existing sensitivity analysis methods work well for specific types of statistical estimation or testing strategies. We propose a flexible sensitivity analysis framework that can deal with commonly used inverse probability weighting, outcome regression, and doubly robust estimators simultaneously. It is based on the well-known parametrization of the selection bias as comparisons of the observed and counterfactual outcomes conditional on observed covariates. It is attractive for practical use because it only requires simple modifications of the standard estimators. Moreover, it naturally extends to many other causal inference settings, including the causal risk ratio or odds ratio, the average causal effect on the treated units, and studies with survival outcomes. We also develop an R package saci to implement our sensitivity analysis estimators.