Sensitivity Analysis of Causal Treatment Effect Estimation for Clustered Observational Data with Unmeasured Confounding
聚类观察性数据中未测混杂下因果处理效应估计的敏感性分析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：摘要明确评估未测混杂对观察性研究因果处理效应结论的影响。
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
聚类观察性数据中未测混杂下因果处理效应估计的敏感性分析
- 研究问题
- 对聚类观察性数据，如果不可检验的无混杂假设受到违反，单项研究或元分析中的处理效应结论会如何改变？
- 方法与思路
- 作者提出适用于正态或二元结局的敏感性分析方法，评估未测混杂对单项与多项研究效应估计的影响，并开展模拟。
- 材料陈述的贡献
- 摘要称方法不限制未测混杂变量数量及其与已测变量的关系，允许已测混杂变量与处理交互，并可用标准软件实施。
- 阅读关注点
- 应核对敏感性参数如何定义、聚类相关性如何处理，以及单项研究到元分析的扩展条件和参数取值的实际解释。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未经核实；摘要未提供敏感性公式和全部模型条件，不能判断具体结论对混杂多稳健。
原文摘要
Identifying causal treatment (or exposure) effects in observational studies requires the data to satisfy the unconfoundedness assumption which is not testable using the observed data. With sensitivity analysis, one can determine how the conclusions might change if assumptions are violated to a certain degree. In this paper, we propose a new technique for sensitivity analysis applicable to clusters observational data with a normally distributed or binary outcome. The proposed methods aim to assess the robustness of estimated treatment effects in a single study as well as in multiple studies, i.e., meta-analysis, against unmeasured confounders. Simulations with various underlying scenarios were conducted to assess the performance of our methods. Unlike other existing sensitivity analysis methods, our methods have no restrictive assumptions on the number of unmeasured confounders or on the relationship between measured and unmeasured confounders, and do not exclude possible interactions between measured confounders and the treatment. Our methods are easy to implement using standard statistical software packages.