Variance-based sensitivity analysis for weighting estimators results in more informative bounds
加权估计量的方差敏感性分析与更有信息的界限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。
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：摘要明确研究加权因果效应估计对未观测混杂的敏感性及效应界限。
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
加权估计量的方差敏感性分析与更有信息的界限
- 研究问题
- 对加权因果效应估计，如何评估遗漏混杂因素的影响，并获得比最坏情形误差界更稳定且易解释的敏感性结果？
- 方法与思路
- 作者提出基于方差的敏感性模型，约束遗漏混杂引起的权重分布差异，并用标准化且有界的 R² 参数表述。
- 材料陈述的贡献
- 摘要称理论与经验分析支持敏感性程序稳定性的改善及更有信息的界限，并以调查中的血汞水平研究展示应用。
- 阅读关注点
- 应核对权重分布约束、R² 参数的含义与校准方式，以及与已有最坏情形模型比较时是否约束同类混杂。
- 阅读边界
- 仅据所给 Crossref 摘要，无法判断界限的完整有效性条件及改善幅度；敏感性分析也不能证明不存在未观测混杂。
原文摘要
Abstract Weighting methods are popular tools for estimating causal effects, and assessing their robustness under unobserved confounding is important in practice. Current approaches to sensitivity analyses rely on bounding a worst-case error from omitting a confounder. In this paper, we introduce a new sensitivity model called the variance-based sensitivity model, which instead bounds the distributional differences that arise in the weights from omitting a confounder. The variance-based sensitivity model can be parameterized by an R2 parameter that is both standardized and bounded. We demonstrate, both empirically and theoretically, that the variance-based sensitivity model provides improvements on the stability of the sensitivity analysis procedure over existing methods. We show that by moving away from worst-case bounds, we are able to obtain more interpretable and informative bounds. We illustrate our proposed approach on a study examining blood mercury levels using the National Health and Nutrition Examination Survey.