Dec, 2023

隐藏但可量化的：使用随机试验的混淆强度下界

PDF
TL;DR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。
发现论文，激发创造
  • 弱交互作用条件下的近似因果效应识别

    本文分析了 “弱混淆” 的因果估计结果，提出了一种有效的线性规划方法来确定因果效应的上下界，并展示了与现有方法相比更紧密的界限，这些方法不能纳入熵限制。

    Jun, 2023

  • 混淆鲁棒政策改进

    研究使用观察数据学习个性化决策策略时如何考虑可能的未观测混杂因素以及最小化候选策略的最坏估计后悔的方法和算法，以在保证安全和关注证据改进的前提下得到可靠的个性化治疗策略。

    May, 2018

  • 无需假设的敏感度分析

    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

  • 检测小子群中的重要治疗效果偏倚

    通过设计统计检验以及估计观察性研究的最大偏差强度的下界，我们提出了一种超越平均治疗效应的实证研究比较方法，并在真实环境中验证了该方法的有效性，结果与现有医学知识相一致。

    Apr, 2024

  • 通过实验基础消除隐蔽混杂因素

    本研究介绍了一种新方法，使用实验数据来纠正更大的观测数据的因果效应模型中的隐藏混淆，证明了该方法的可行性，并使用一项大型教育实验中的真实数据证明了该方法的有效性。

    Oct, 2018

  • 合并随机试验与观察性研究的因果推断方法：一项综述

    本研究综述了长期以来在联合随机对照试验（RCTs）和观察研究中进行因果推断的方法，旨在实现 “两全其美”。作者首先讨论了提高观察数据代表性的 RCTs 的识别和估计方法，然后探讨了将 RCTs 和观察数据结合使用以确保观察分析的无瑕性或提高（条件）平均治疗效果估计的方法。最后，作者使用模拟研究和真实世界数据比较了主要方法，并提供了可用代码和新实现。

    Nov, 2020

  • 在未观测到混淆下的公正审核

    决策系统中的一个基本问题是在人口统计线上存在不公平问题。然而，不公平很难量化，尤其是当我们的公平概念依赖于难以衡量的风险时。在这篇论文中，我们展示了即使在存在未观测混杂的现实环境中，我们仍然可以给出高风险个体的分配率的有信息的界限。通过利用在真实世界中的先于任何分配的数据，我们导出了关于风险的无偏估计。我们通过对 COVID-19 患者 Paxlovid 分配的实际研究进行了框架的有效性演示，发现观察到的种族不公平不能用同样重要的观察协变量的未观测混杂因素来解释。

    Mar, 2024

  • 从网络观测数据中学习个体因果效应

    本研究提出了一种新的因果推断框架 —— 网络去混淆器 (Network Deconfounder)，它利用网络信息来辨识隐藏式混淆者的模式，从而进一步允许我们从观测到的数据中学习有效的单个因果效应。

    Jun, 2019

  • 从观测、偏见和随机数据学习界定反事实推断

    本文介绍一种方法，通过数据整合和建立结构性因果模型，在不同条件下解决由选择偏差引起的局部统计问题，并针对数据集的部分可识别性问题提出了一种逼近计算方法。通过系统的实验验证和实例研究，证明了这种方法的可行性和准确性，并揭示了数据整合对于信息界的提高具有积极的作用。

    Dec, 2022

  • 利用连续解混进行因果推断及处理未观测到的混淆因素

    本文介绍了一种新的去混杂方法：顺序去混杂 (SD)，解决了存在未观察到的混杂因子情况下， 序列化医疗决策难题，并证明了该方法可以准确估计单个个体在时间上的治疗反应。

    Apr, 2021