Enhanced Marginal Sensitivity Model and Bounds
增强型边际敏感性模型及其界限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：摘要明确针对未观测混杂下的潜在结果界限、敏感性分析及双重稳健估计，直接属于因果推断方向。
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…
关注这篇论文的作者
增强型边际敏感性模型及其界限
- 研究问题
- 如何同时约束未观测混杂对处理分配与结果的影响，从而缩窄观察性研究中期望潜在结果的敏感性分析界限？
- 方法与思路
- 作者在边际敏感性模型中加入结果敏感性约束，推导总体锐界，并构造界限的双重稳健估计和置信区间。
- 材料陈述的贡献
- 摘要称增强模型的锐界总比原模型更窄，并讨论结果敏感性参数的设定，通过两个真实数据应用展示方法表现。
- 阅读关注点
- 应核对新增约束的实质含义、锐界是否可达到，以及敏感性参数解释、双重稳健条件和界限置信区间的覆盖对象。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未核实；更窄界限伴随新增约束，摘要不足以判断约束可信度及收紧幅度。
原文摘要
Sensitivity analysis is important to assess the impact of unmeasured confounding in causal inference from observational studies. The marginal sensitivity model (MSM) provides a useful approach in quantifying the influence of unmeasured confounders on treatment assignment and leading to tractable sharp bounds of common causal parameters. In this paper, to tighten MSM sharp bounds, we propose the enhanced MSM (eMSM) by incorporating another sensitivity constraint that quantifies the influence of unmeasured confounders on outcomes. We derive sharp population bounds of expected potential outcomes under eMSM, which are always narrower than the MSM sharp bounds in a simple and interpretable way. We further discuss desirable specifications of sensitivity parameters related to the outcome sensitivity constraint, and obtain both doubly robust point estimation and confidence intervals for the eMSM population bounds. The effectiveness of eMSM is also demonstrated numerically through two real-data applications. Our development represents, for the first time, a satisfactory extension of MSM to exploit both treatment and outcome sensitivity constraints on unmeasured confounding.