目的利用SAS开发的CAUSALTRT过程,实现三类估计方法的因果效应估计。方法采用SmokingWeight数据集,以戒烟为处理变量,体重变化为结局变量,其他因素为混杂变量,通过增强逆概率加权法(augmented inverse probability weighting,AIPW)对平...目的利用SAS开发的CAUSALTRT过程,实现三类估计方法的因果效应估计。方法采用SmokingWeight数据集,以戒烟为处理变量,体重变化为结局变量,其他因素为混杂变量,通过增强逆概率加权法(augmented inverse probability weighting,AIPW)对平均处理效应(the average treatment effect,ATE)进行估计,通过回归调整法(regression adjustment,REGADJ)对处理组平均处理效应(the average treatment effect for the treated,ATT)进行估计。结果戒烟对体重变化的ATE和ATT分别为3.209(95%CI:2.232~4.187)和3.276(95%CI:2.332~4.219)。结论CAUSALTRT可以实现不同的因果效应估计,但应用时需要考虑其是否满足前提假设以及注意事项。展开更多
在随机处理─对照的临床试验中,经常出现不依从或部分依从的现象,此时,由于所涉及到的"虚拟事实"变量,即不能观察到的潜在变量太多而不易估计其平均因果效应ACE.在仅出现完全依从和不依从情况时,Balke and Pearl利用线性规划...在随机处理─对照的临床试验中,经常出现不依从或部分依从的现象,此时,由于所涉及到的"虚拟事实"变量,即不能观察到的潜在变量太多而不易估计其平均因果效应ACE.在仅出现完全依从和不依从情况时,Balke and Pearl利用线性规划的方法获得了ACE估计量的上下界,利用他们所提供的方法,有时会出现下界为负数,显然,这样的下界没什么实际意义.根据Angrist,Imbebns&Rubin讨论工具变量时所提出一些假设条件,导出了在不同情况下,计算ACE估计量的上下界的方法,并证明了其下界一定是非负的,所得到的上下界区间比Balke and Pearl的区间要小.同时,还讨论了部分依从情况下,ACE估计量的上下界的计算方法,并得到了相应的结果.展开更多
在随机处理——对照的临床试验中,除出现完全依从和完全不依从的现象外,还会出现部分依从的现象,即患者只服用部分药品。在仅出现完全依从和不依从情况时,Balke and Pearl利用线性规划的方法获得了ACE估计量的上下界,对于部分依从的情况...在随机处理——对照的临床试验中,除出现完全依从和完全不依从的现象外,还会出现部分依从的现象,即患者只服用部分药品。在仅出现完全依从和不依从情况时,Balke and Pearl利用线性规划的方法获得了ACE估计量的上下界,对于部分依从的情况,是将这些数据全部并入完全依从的数据,这样处理的合理性没有论述。同时,利用他们所提供的方法,有时会出现下界为负数,显然,这样的下界没什么实际意义。本文根据Angrist,Imbebns&Rubin讨论工具变量时所提出一些假设条件,导出了在部分依从情况下,计算ACE估计量的上下界的方法,并证明了其下界一定是非负的。展开更多
This paper considers the problem of estimating the bounds on the average controlled direct effects （ACDEs） of a treatment variable on an unobserved response variable in the presence of unobserved confounders between...This paper considers the problem of estimating the bounds on the average controlled direct effects （ACDEs） of a treatment variable on an unobserved response variable in the presence of unobserved confounders between an intermediate variable and the response variable. When the response variable is observed, Cai, et al.（2008） derived the formulas for the sharp bounds on the ACDEs. When the response variable is unobserved, the authors propose a graphical criterion for selecting variables affected by the response variable to derive the formulas for the bounds on the ACDEs, which is an extension of the result of Kuroki（2005） to ACDEs. The results enable us not only to judge from the graph structure whether the bounds on the ACDEs can be expressed through observed variables when the response variable is unobserved, but also to provide their formulas when the answer is affirmative.展开更多
文摘目的利用SAS开发的CAUSALTRT过程,实现三类估计方法的因果效应估计。方法采用SmokingWeight数据集,以戒烟为处理变量,体重变化为结局变量,其他因素为混杂变量,通过增强逆概率加权法(augmented inverse probability weighting,AIPW)对平均处理效应(the average treatment effect,ATE)进行估计,通过回归调整法(regression adjustment,REGADJ)对处理组平均处理效应(the average treatment effect for the treated,ATT)进行估计。结果戒烟对体重变化的ATE和ATT分别为3.209(95%CI:2.232~4.187)和3.276(95%CI:2.332~4.219)。结论CAUSALTRT可以实现不同的因果效应估计,但应用时需要考虑其是否满足前提假设以及注意事项。
文摘在随机处理─对照的临床试验中,经常出现不依从或部分依从的现象,此时,由于所涉及到的"虚拟事实"变量,即不能观察到的潜在变量太多而不易估计其平均因果效应ACE.在仅出现完全依从和不依从情况时,Balke and Pearl利用线性规划的方法获得了ACE估计量的上下界,利用他们所提供的方法,有时会出现下界为负数,显然,这样的下界没什么实际意义.根据Angrist,Imbebns&Rubin讨论工具变量时所提出一些假设条件,导出了在不同情况下,计算ACE估计量的上下界的方法,并证明了其下界一定是非负的,所得到的上下界区间比Balke and Pearl的区间要小.同时,还讨论了部分依从情况下,ACE估计量的上下界的计算方法,并得到了相应的结果.
文摘在随机处理——对照的临床试验中,除出现完全依从和完全不依从的现象外,还会出现部分依从的现象,即患者只服用部分药品。在仅出现完全依从和不依从情况时,Balke and Pearl利用线性规划的方法获得了ACE估计量的上下界,对于部分依从的情况,是将这些数据全部并入完全依从的数据,这样处理的合理性没有论述。同时,利用他们所提供的方法,有时会出现下界为负数,显然,这样的下界没什么实际意义。本文根据Angrist,Imbebns&Rubin讨论工具变量时所提出一些假设条件,导出了在部分依从情况下,计算ACE估计量的上下界的方法,并证明了其下界一定是非负的。
基金This research was partially supported by the National Natural Science Foundation of China under Grant Nos. 10871038, 10926186, and 11025102, the National 973 Key Project of China under Grant No. 2007CB311002, and the Jilin Project （20100401）.
文摘This paper considers the problem of estimating the bounds on the average controlled direct effects （ACDEs） of a treatment variable on an unobserved response variable in the presence of unobserved confounders between an intermediate variable and the response variable. When the response variable is observed, Cai, et al.（2008） derived the formulas for the sharp bounds on the ACDEs. When the response variable is unobserved, the authors propose a graphical criterion for selecting variables affected by the response variable to derive the formulas for the bounds on the ACDEs, which is an extension of the result of Kuroki（2005） to ACDEs. The results enable us not only to judge from the graph structure whether the bounds on the ACDEs can be expressed through observed variables when the response variable is unobserved, but also to provide their formulas when the answer is affirmative.
