观察性研究中基于贝叶斯加性回归树的平均处理效应估计

目的探讨观察性研究中贝叶斯加性回归树估计平均处理效应的统计学性能及适用条件。方法通过模拟试验和实例分析比较贝叶斯加性回归树与多变量回归、倾向性得分匹配、逆概率加权的估计结果差异。结果模拟试验表明,在线性假设下,贝叶斯加性回归树的估计表现与常用方法接近。当数据中变量之间关系复杂,存在非线性关系时,贝叶斯加性回归树的估计结果明显优于其他方法。当不满足可忽略性假设时,未观测到的混杂因素导致四种估计方法的结果都会存在偏倚,但是贝叶斯加性回归树的估计偏倚明显小于其他三种方法,结果相对稳健。并在实例中使用该方法估计了戒烟对于体重变化的平均处理效应。结论在绝大多数观察性研究中,研究结局受到多个因素的影响,研究者很难正确指定变量间的关系。从模型拟合和结果准确性来说,贝叶斯加性回归树是值得推荐的方法。

一类因果模型的可识别性条件

因果问题在近代医学 ,生物学 ,社会科学的研究中占有非常重要的地位 .通过因果关系预见某些行为或策略对研究对象的影响已经成为一些实际研究的最终目的 . Rubin(1 978)提出了解决因果问题的虚拟事实模型 ,建立了因果推断统计分析的基本框架 .虚拟事实模型的因果效应是以实际观测数据为研究对象的 ,但又不完全由数据之间的相关性决定 ,因此在讨论因果效应时存在可识别性问题 .如果因果效应可识别 ,则有可能利用观测数据直接计算因果效应 .但是 ,众所周知 :在不加任何假设或限制的条件下 ,虚拟事实模型的因果效应是不可识别的 .若要研究变量间的因果效应就必须对虚拟事实模型加入某些必要的限制 ,使因果效应在这些限制下可识别 .郑忠国 ,张艳艳 ,童行伟在“因果模型因果效应的可识别性研究”中针对控制变量与协变量相互独立的一类模型的可识别性进行了研究 ,指出在某些特定的可替换性假设之下 ,模型的因果效应具有可识别性 .该文将针对控制变量作用于协变量的虚拟事实模型进行可识别性研究 .作者将指出 :控制变量是否作用于协变量并不影响因果效应的可识别性和可替换性假设 .并给出 :此类模型因果效应可唯一确定的充要条件 .

抽样推断中权数的调整与检验——以美国ECLS-K(2011）调查为例

在复杂抽样推断中,为提高样本的代表性,需对设计权数进行基于规模和结构的调整。加权估计可以降低误差,但不对权数的变异性进行控制会影响估计精度。因此,对权数的调整与检验进行研究十分重要。本文首先对权数的调整方法进行分类梳理,引入了评价权数效果的检验方法,然后以美国ECLS-K(2011)调查为例,阐述了权数的获取、调整和估计,直观体现出权数的作用,并展示了权数调整的作用。同时,本文对该调查进行估计的最终权数进行了检验和评价,指出了该研究的可改进之处,为以后的调查提供参考。

生命无极限

由于抗生素及其他医学方面的进展，美国人的年死亡率在过去的一个世纪中稳步下降；尤其是女性，年死亡率甚至不到1‰。针对这个数据一位著名学者开玩笑说，用不了多久，美国的女性就可以长生不老了。

因果模型中因果效应的可识别性研究

对有向非循环图中的因果关系进行探讨,提出了相应的虚拟事实模型,并利用条件独立关系作为辅助信息对一种较为简单的虚拟事实模型的可识别性进行了研究.将可忽略假设推广为可替换性假设,并且得到:在可替换性假设之下,因果效应具有可识别性,即有可能从观察数据直接计算因果效应.