核心概念
本文提出一個新的方法框架,用於在具有選擇性資格的縱向研究中進行因果推論,並推導出新的識別公式和雙重穩健估計量,以解決因先前治療歷史影響後續治療資格而導致的偏差。
摘要
書目資訊
Jiang, Z., Ben-Michael, E., Greiner, D.J., Halen, R., & Imai, K. (2024). Longitudinal Causal Inference with Selective Eligibility. arXiv preprint arXiv:2410.17864v1.
研究目標
本研究旨在解決縱向研究中因選擇性資格而導致的因果推論問題,其中個體先前治療歷史會影響其後續治療的資格。
方法
- 本文採用潛在結果框架和序列可忽略性假設,將其推廣到具有選擇性資格的縱向研究。
- 推導出兩個非參數識別公式,分別基於結果回歸和逆概率加權。
- 導出每個因果估計量的有效影響函數 (EIF),並據此提出相應的雙重穩健估計量。
主要發現
- 本文提出的估計量具有雙重穩健性,只要傾向得分模型或結果回歸和資格模型中的一個被正確指定,它們就是一致的。
- 模擬研究表明,即使在有限樣本量下,所提出的估計量也表現良好。
主要結論
- 選擇性資格是縱向研究中一個重要的偏差來源,應在分析中予以考慮。
- 本文提出的方法框架為在存在選擇性資格的情況下進行因果推論提供了一種有效且穩健的方法。
意義
本研究為縱向因果推論提供了新的見解,並為在存在選擇性資格的情況下評估治療效果提供了一種實用的方法。
局限性和未來研究
- 未來研究可以探討放寬序列可忽略性假設的方法。
- 開發基於本文提出的框架的統計軟體包將有助於該方法的廣泛應用。
統計資料
在 4,445 名來自丹郡的被捕者擴展數據集中,有 968 人至少有兩次案件記錄,315 人至少有三次案件記錄。