Sensitivity to Unobserved Confounding in Studies with Factor-structured Outcomes
因子结构结局研究中对未观测混杂的敏感性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：摘要研究多结局因果效应对未观测混杂的敏感性，因子结构服务于该目标，未涉及宏观或金融因子建模对象。
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…
因子结构结局研究中对未观测混杂的敏感性
- 研究问题
- 多结局研究如何利用共享混杂、结局残差相关性和零效应对照等先验知识，收紧未观测混杂下的因果效应不确定范围？
- 方法与思路
- 作者在一类因子模型和共享混杂假设下，用未观测混杂解释的处理方差比例作为单一敏感性参数，为所有结局构造效应界。
- 材料陈述的贡献
- 摘要称，额外的零效应对照假设可缩小因果无知区域，并提出稳健性量化方法；通过模拟及 NHANES 数据案例展示分析流程。
- 阅读关注点
- 核对共享混杂假设和因子模型限制、敏感性参数的可解释范围，以及零效应对照如何改变效应界和稳健性判断。
- 阅读边界
- 所用版本为 arXiv 预印本，同行评审或接收未核实；摘要未列具体界和模型条件，残差相关性本身不能证明存在共享混杂。
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).