因果推断中未观测混杂的双重稳健敏感性分析

Doubly-Valid/Doubly-Sharp Sensitivity Analysis for Causal Inference with Unmeasured Confounding

因果推断中未观测混杂的双重稳健敏感性分析

https://www.tandfonline.com/doi/full/10.1080/01621459.2024.2335588

摘要

本文研究存在未观测混杂因子但其影响有界情形下平均处理效应（ATE）界值的构建问题。具体而言，我们假设遗漏的混杂因子对任何个体接受处理的几率（odds）改变不超过某一固定倍数。通过分布鲁棒优化方法，我们推导出该假设所隐含的精确部分识别界，并提出具有若干新颖稳健性质的界估计量。其一为双重精确性（double sharpness）：当两个干扰参数中至少一个设定正确时，估计量能一致地估计精确的ATE界；当所有干扰参数均相合时，可达到半参数效率。其二为更具创新性的双重有效性（double validity）：即使多数干扰参数设定错误，估计量仍能提供有效（可能偏保守）的ATE界，且Wald置信区间在估计量非渐近正态时依然保持有效性。因此，本方法为因果推断的敏感性分析提供了高度可信的工具。本文补充材料可在线获取，包含标准化的可复现材料说明。

关键词：条件风险价值；去偏机器学习；双重稳健性；部分识别；边际敏感性模型；半参数效率

原文：https://www.tandfonline.com/doi/full/10.1080/01621459.2024.2335588