针对所有未测混淆因素的简明却尖锐的任意对比的敏感性分析
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
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
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
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
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
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
我们研究了关于未观测到的混淆因素的离线情境赌博的政策评估。我们提出了一个通用的估计器,使用凸规划方法提供政策价值的一个锐利下界,具有各种扩展应用和强有力的理论保证。
Sep, 2023
该研究探讨了一种最坏情况的方法来衡量随机系统性能分析中的模型误差敏感性,通过 Kullback-Leibler(KL)散度度量模型误差,并通过优化计算程序来计算最坏情况性能指标,通过创新的微小近似方法,得出了这些程序的最优值渐近展开式,展开式系数可以通过模拟计算,并从最坏情况模型的表示中派生而来,这些表示作为函数不动点方程组的定义。
Mar, 2013