Sensitivity to Unobserved Confounding in Studies with Factor-Structured Outcomes
因子结构结果研究中对未观测混杂的敏感性分析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。
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：摘要直接研究未观测混杂、因果效应界及敏感性分析，属于因果推断。
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…
因子结构结果研究中对未观测混杂的敏感性分析
- 研究问题
- 在具有多个结果变量的研究中，如何利用结果间残余依赖和额外先验知识，评估未观测混杂对因果效应结论的影响？
- 方法与思路
- 作者在共享混杂假设下采用一类因子模型，以未观测混杂解释的处理方差比例作为单一敏感性参数，界定所有结果的因果效应。
- 材料陈述的贡献
- 摘要称，零效应控制结果等额外假设能缩小因果效应的无知区域，并提出稳健性量化方法，以模拟及 NHANES 数据展示流程。
- 阅读关注点
- 应核对共享混杂与因子模型的具体限制、敏感性参数如何进入效应界，以及零效应控制结果的可信性如何影响区域收缩。
- 阅读边界
- 来源为版本未注明的 OpenAlex 索引摘要；未说明完整识别条件、效应界公式或案例结果，不能判断共享混杂假设在具体应用中是否成立。
原文摘要
In this work, we propose an approach for assessing sensitivity to unobserved confounding in studies with multiple outcomes. We demonstrate how prior knowledge unique to the multi-outcome setting can be leveraged to strengthen causal conclusions beyond what can be achieved from analyzing individual outcomes in isolation. We argue that it is often reasonable to make a shared confounding assumption, under which residual dependence amongst outcomes can be used to simplify and sharpen sensitivity analyses. We focus on a class of factor models for which we can bound the causal effects for all outcomes conditional on a single sensitivity parameter that represents the fraction of treatment variance explained by unobserved confounders. We characterize how causal ignorance regions shrink under additional prior assumptions about the presence of null control outcomes, and provide new approaches for quantifying the robustness of causal effect estimates. Finally, we illustrate our sensitivity analysis workflow in practice, in an analysis of both simulated data and a case study with data from the National Health and Nutrition Examination Survey (NHANES).