Sample size and power calculations for causal inference of observational studies
观察研究因果推断的样本量与功效计算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：摘要以观察数据的平均处理效应和逆概率加权为核心，并直接研究混杂、重叠与因果研究设计。
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
观察研究因果推断的样本量与功效计算
- 研究问题
- 观察研究估计平均处理效应时，如何把倾向得分、潜在结局及其相关性纳入功效计算，并用少量额外参数规划样本量？
- 方法与思路
- 作者分析逆概率加权估计量方差，以重叠系数和结局关联敏感性参数概括混杂影响，结合参数倾向得分及受限均值模型构造公式。
- 材料陈述的贡献
- 摘要称在所设模型下，随机试验常规输入之外只需两个关联参数即可计算样本量，无须指定多维协变量分布，并提供计算工具。
- 阅读关注点
- 核对参数倾向得分与半参数受限均值模型的限制、重叠系数如何确定倾向得分分布，以及敏感性参数与回归 R 方的关系。
- 阅读边界
- 这是 arXiv 预印本，同行评审与接收状态未核验；两个参数足够的主张依赖文中模型，摘要未完整列出因果识别和功效近似条件。
原文摘要
This paper investigates the theoretical foundation and develops analytical formulas for sample size and power calculations for causal inference with observational data. By analyzing the variance of an inverse probability weighting estimator of the average treatment effect, we decompose the power calculation into three components: propensity score distribution, potential outcome distribution, and their correlation. We show that to determine the minimal sample size of an observational study, in addition to the standard inputs in the power calculation of randomized trials, it is sufficient to have two parameters, which quantify the strength of the confounder-treatment and the confounder-outcome association, respectively. For the former, we propose using the Bhattacharyya coefficient, which measures the covariate overlap and, together with the treatment proportion, leads to a uniquely identifiable and easily computable propensity score distribution. For the latter, we propose a sensitivity parameter bounded by the R-squared statistic of the regression of the outcome on covariates. Our procedure relies on a parametric propensity score model and a semiparametric restricted mean outcome model, but does not require distributional assumptions on the multivariate covariates. We develop an associated R package PSpower and an online calculator.