A Risk-Ratio-Based Marginal Sensitivity Model for Causal Effects in Observational Studies
观察性研究中基于风险比的因果效应边际敏感性模型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：摘要直接讨论未测量混杂、因果效应识别及敏感性分析，因此最直接对应因果推断领域。
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…
观察性研究中基于风险比的因果效应边际敏感性模型
- 研究问题
- 研究在无法检验无未测量混杂假设的观察性研究中，如何评估未观测混杂对二元及多值处理因果结论的影响。
- 方法与思路
- 作者以风险比构造修改后的边际敏感性模型，扩展至多值处理，并计算点估计范围及相应的百分位自助法置信区间。
- 材料陈述的贡献
- 摘要称给出可高效计算的敏感性分析框架，模拟在处理组重叠充分时表现良好，并应用于孟加拉国母亲教育与女性生育。
- 阅读关注点
- 应核对风险比敏感性参数的定义、范围端点的优化问题、重叠要求，以及自助法区间所覆盖的目标与理论依据。
- 阅读边界
- 这是 arXiv 预印本，同行评审与期刊接收未核实；摘要未说明敏感性参数如何校准，也未提供弱重叠情况下的保证。
原文摘要
In observational studies, the identification of causal estimands depends on the no unmeasured confounding (NUC) assumption. As this assumption is not testable from observed data, sensitivity analysis plays an important role in observational studies to investigate the impact of unmeasured confounding on the causal conclusions. In this paper, we proposed a risk-ratio-based sensitivity analysis framework by introducing a modified marginal sensitivity model for observational studies with binary treatments. We further extended the proposed framework to the multivalued treatment setting.We then showed how the point estimate intervals and the corresponding percentile bootstrap confidence intervals can be constructed efficiently under the proposed framework. Simulation results suggested that the proposed framework of sensitivity analysis performs well in the presence of adequate overlap among the treatment groups. Lastly, we demonstrated our proposed sensitivity analysis framework by estimating the causal effect of maternal education on female fertility in Bangladesh.