Enhanced Marginal Sensitivity Model and Bounds
增强边际敏感性模型及其界限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。
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：摘要明确研究未测量混杂下潜在结果的敏感性分析、界限及因果推断。
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
增强边际敏感性模型及其界限
- 研究问题
- 在观察性研究存在未测量混杂时，如何同时约束混杂对处理分配和结果的影响，以收紧潜在结果均值的敏感性界限？
- 方法与思路
- 作者在边际敏感性模型中加入结果敏感性约束，推导尖锐总体界限，并讨论敏感性参数设定、双重稳健估计与置信区间。
- 材料陈述的贡献
- 摘要称，增强模型的尖锐界限始终比原模型更窄，并提供界限估计与推断方法，通过两项真实数据应用展示效果。
- 阅读关注点
- 应核对新增约束的实质含义、界限尖锐性和收紧条件，以及敏感性参数如何设定、双重稳健性及区间有效性依赖何种条件。
- 阅读边界
- 仅据所给 OpenAlex 摘要；未说明约束公式和推断条件，界限收紧依赖新增限制，不能据此认定未测量混杂已被消除。
原文摘要
Sensitivity analysis is important to assess the impact of unmeasured confounding in causal inference from observational studies. The marginal sensitivity model (MSM) provides a useful approach in quantifying the influence of unmeasured confounders on treatment assignment and leading to tractable sharp bounds of common causal parameters. In this paper, to tighten MSM sharp bounds, we propose the enhanced MSM (eMSM) by incorporating another sensitivity constraint which quantifies the influence of unmeasured confounders on outcomes. We derive sharp population bounds of expected potential outcomes under eMSM, which are always narrower than the MSM sharp bounds in a simple and interpretable way. We further discuss desirable specifications of sensitivity parameters related to the outcome sensitivity constraint, and obtain both doubly robust point estimation and confidence intervals for the eMSM population bounds. The effectiveness of eMSM is also demonstrated numerically through two real-data applications. Our development represents for the first time a satisfactory extension of MSM to exploit both treatment and outcome sensitivity constraints on unmeasured confounding.