本文提出了一种新的敏感度分析方法,通过引入边界因素,避免了以往方法的强且不可验证的先验假设,仅需两个敏感参数,可以作为评估未观测到的混淆因素对因果推论影响的有力工具。
Jul, 2015
论文展示了如何在某些狭窄的限制边界内实现一些因果关系概率的部分可识别性,其中包括不可识别的因果效应和反事实概率,最后还将此应用到单位选择问题。
Jan, 2023
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
提出了一种基于预测推断的模型自由框架,用于探究个体治疗效果的敏感性分析,特别关心了混杂因素强度量化和对于反事实的可靠预测推断。
Nov, 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
在血清学中,我们提出了一种用于分类样本和估计未知维度中流行率的技术,通过将数据嵌入参数化的曲线空间,并通过最小化纯训练数据的经验分类误差来优化空间。
Aug, 2023
本文讨论在给定情境下估计一个事件是另一个事件的原因的概率,利用结构 - 语义定义的必需或充分因果关系的概率,我们展示了如何从实验和观察数据中获得这些数量的最佳约束,最小化了关于数据生成过程的假设,并从理论上得出了关于因果概率的严格边界,这些结果确定了如何在解决归因问题和决策相关问题中利用实证数据。
Jan, 2013
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
本篇研究提出了一种基于符合性推断的方法,用于在潜在结果框架下产生反事实和个体治疗效果的可靠区间估计,适用于完全随机或分层随机试验,以及遵循强忽略性假设的一般观测研究。同时,该方法在机器学习算法的条件平均治疗效应估计上表现出了良好的优势。
Jun, 2020