Frameworks for Estimating Causal Effects in Observational Settings: Comparing Confounder Adjustment and Instrumental Variables
观察性研究中的因果效应估计框架：混杂调整与工具变量比较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：摘要明确围绕观察性研究的因果效应、混杂调整及工具变量假设展开比较，直接对应因果推断方向。
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…
观察性研究中的因果效应估计框架：混杂调整与工具变量比较
- 研究问题
- 当观察性健康研究中的混杂调整或工具变量假设可能失效时，研究者应如何比较两类方法，并判断哪种估计偏离目标较少。
- 方法与思路
- 作者提出比较潜在假设违背情景的原则与启发式框架，主要讨论线性模型，也涉及非线性方法、TMLE与双重机器学习。
- 材料陈述的贡献
- 摘要称，教程将方法选择转化为对不同不一致性情景的比较，并以多奈哌齐用于轻度认知障碍的观察性分析展示这一框架。
- 阅读关注点
- 应核对两类方法各自针对的因果效应、假设违背如何进入偏差比较，以及与既有观察性研究和临床试验比较时目标是否一致。
- 阅读边界
- 这是arXiv预印本，同行评审或期刊接收未核实；摘要未给出具体偏差公式或应用结果，不能据此认定某类方法普遍更可靠。
原文摘要
To estimate causal effects, analysts performing observational studies in health settings utilize several strategies to mitigate bias due to confounding by indication. There are two broad classes of approaches for these purposes: use of confounders and instrumental variables (IVs). Because such approaches are largely characterized by untestable assumptions, analysts must operate under an indefinite paradigm that these methods will work imperfectly. In this tutorial, we formalize a set of general principles and heuristics for estimating causal effects in the two approaches when the assumptions are potentially violated. This crucially requires reframing the process of observational studies as hypothesizing potential scenarios where the estimates from one approach are less inconsistent than the other. While most of our discussion of methodology centers around the linear setting, we touch upon complexities in non-linear settings and flexible procedures such as target minimum loss-based estimation (TMLE) and double machine learning (DML). To demonstrate the application of our principles, we investigate the use of donepezil off-label for mild cognitive impairment (MCI). We compare and contrast results from confounder and IV methods, traditional and flexible, within our analysis and to a similar observational study and clinical trial.