无需假设的敏感度分析
这篇文章介绍了一个基于 Tukey 的因子化方法的框架,可以为治疗分配指标和观察到的潜在结果之间的未知关系构建未识别选择函数,从而实现灵活模型的应用,以实现对于平均治疗效应和分位数治疗效应的 Bayesian 非参数模型的估计,同时提供了识别和未识别因素的感受性参数来衡量这些不确定因素。
Sep, 2018
我们扩展了我们在未测量混杂因素下风险比率和差异对比的敏感性分析的先前工作,证明产生的边界仍然是任意锋利的,即实际可达到的。我们使用实际数据说明了边界的可用性。
Jun, 2024
本文提出了一个统一框架,用以解决在各种不同情况下发生未观测混淆的因果敏感度分析问题,包括(条件)平均处理效应、中介分析和路径分析的效应,以及分布效应,同时还提供了一个可伸缩的算法来估计我们从观测数据中所得到的尖锐界限。
May, 2023
本文提出了一种边际灵敏度模型,使用逆概率权重估计器构建置信区间,通过百分位自助法和广义极小 / 极大不等式来将这个难以处理的问题转化为线性分数规划问题,这个方法可以很有效地解决实际问题。
Nov, 2017
本文提出了一种感性分析工具 ——Austen Plots,用于解决由于观测数据中存在未观察的混淆变量导致的偏差问题,其可反映混淆变量对观测结果的强度。该工具不受初步数据分析方法的限制,可用于不同领域研究问题中的偏差评估。
Mar, 2020
本文使用 H"older 不等式,通过度量未观察到的混杂因子 U 对结果 Y 的影响,探究了处理 T 对结果 Y 的作用的区间估计与置信度的问题,并提出了一种基于总变异距离和条件期望值偏差的边界方法和校准策略。
Jul, 2021
在快节奏的精准医学时代,观察性研究在正确评估临床实践中的新治疗方法中起着重要作用。然而,未观察到的混杂因素可能会严重影响从非随机数据中得出的因果结论。我们提出了一种新的策略,利用随机试验来量化未观察到的混杂因素。首先,我们设计了一个统计检验来检测强度高于给定阈值的未观察到的混杂因素。然后,我们使用该检验来估计一个渐近有效的下界,来度量未观察到的混杂因素的强度。我们在几个合成和半合成数据集上评估了我们统计检验的能力和有效性。此外,我们展示了如何使用我们的下界来正确识别现实世界中未观察到的混杂因素的存在和缺失。
Dec, 2023
本文提出了一个基于共享混杂物和独立治疗的多种治疗估计技术,并使用相互信息对混淆估计器进行正则化,同时使用独立于混淆物的治疗方法中的残留信息来恢复治疗效果,并在模拟和医学临床案例中进行了验证。
May, 2018
本研究开发了一个半参数框架,以获取关于所谓的边际自然直接和间接因果效应的推论,同时适当考虑曝露和中介变量的大量先前混淆因素,尤其是在中介分析方面提出了增量稳健的本地有效估计量和一种新的双重稳健灵敏度分析框架。
Oct, 2012
现实中,由于法律、伦理和社会原因,对机器学习预测的公平性要求越来越高。尽管现有工作通常关注没有未观察到混淆的情况,但未观察到的混淆可能导致严重的因果公平性违规和不公平的预测。本研究分析了未观察到的混淆对因果公平性的敏感性,并提出了一个新的神经框架用于学习公平的预测,同时在一系列实验中验证了该框架的有效性。
Nov, 2023