Sensitivity Analysis of Inverse Probability Weighting Estimators of Causal Effects in Observational Studies with Multivalued Treatments
多值处理观察性研究中因果效应逆概率加权估计的敏感性分析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：摘要直接研究观察性研究的因果效应、未测混杂与逆概率加权敏感性分析。
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…
多值处理观察性研究中因果效应逆概率加权估计的敏感性分析
- 研究问题
- 在具有多值处理的观察性研究中，如何评估未测混杂对因果效应估计的影响，尤其是在无未测混杂假设无法由观测数据检验的情况下？
- 方法与思路
- 作者提出适用于多值处理的敏感性分析框架，在其中定义一类加性因果目标量，并讨论敏感性模型下的高效估计，以模拟和鱼类摄入应用展示方法。
- 材料陈述的贡献
- 摘要称，该框架补充了多值处理敏感性分析工具；协变量分布具有充分重叠时，模拟中的点估计偏差与置信区间覆盖表现较好。
- 阅读关注点
- 应核对敏感性模型如何描述未测混杂、敏感性参数如何解释与设定，以及加性目标量、重叠条件和置信区间构造的具体定义。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核验。摘要未说明敏感性参数范围或重叠不足时的表现，不能据此判断结论对隐藏偏差的稳健程度。
原文摘要
One of the fundamental challenges in drawing causal inferences from observational studies is that the assumption of no unmeasured confounding is not testable from observed data. Therefore, assessing sensitivity to this assumption's violation is important to obtain valid causal conclusions in observational studies. Although several sensitivity analysis frameworks are available in the casual inference literature, very few of them are applicable to observational studies with multivalued treatments. To address this issue, we propose a sensitivity analysis framework for performing sensitivity analysis in multivalued treatment settings. Within this framework, a general class of additive causal estimands has been proposed. We demonstrate that the estimation of the causal estimands under the proposed sensitivity model can be performed very efficiently. Simulation results show that the proposed framework performs well in terms of bias of the point estimates and coverage of the confidence intervals when there is sufficient overlap in the covariate distributions. We illustrate the application of our proposed method by conducting an observational study that estimates the causal effect of fish consumption on blood mercury levels.