Selección de variables para una inferencia causal doblemente sólida

Área de la Ciencia:

• Las estadísticas
• Inferencia causal
• Estudios de observación

Sus antecedentes:

• El control de confusión es crítico pero difícil en los estudios observacionales para la inferencia causal.
• La ponderación de probabilidad inversa aumentada (AIPW) es un método popular para estimar el efecto causal promedio (ACE) debido a su doble robustez.
• La selección de variables es esencial para garantizar el supuesto de no confusión y para una estimación eficiente.

Objetivo del estudio:

• Investigar el impacto de las estrategias de selección de variables en la propiedad de doble robustez de los estimadores AIPW.
• Proponer un nuevo enfoque de selección de variables que preserve la doble solidez de la AIPW.
• Proporcionar un método sólido para la estimación del efecto causal en estudios observacionales.

Principales métodos:

• Demostró que la selección de variables para una estimación eficiente puede comprometer la doble solidez de AIPW.
• Propuso un nuevo principio: controlar el modelo de puntaje de propensión para cualquier predictor de tratamiento o resultado.
• Desarrolló un procedimiento en dos etapas que incluye la selección de variables penalizadas y la estimación de AIPW.

Principales resultados:

• El método propuesto conserva la propiedad deseable de doble robustez del estimador AIPW.
• La selección de variables dirigidas a una estimación eficiente puede conducir a la pérdida de la doble robustez.
• El procedimiento propuesto muestra un rendimiento favorable en muestras finitas en simulaciones y aplicaciones.

Conclusiones:

• La estrategia de selección de variables propuesta garantiza la fiabilidad de AIPW para la inferencia causal.
• Este enfoque ofrece una solución robusta para el control de confusión y la estimación precisa de la ECA en los datos de observación.
• Los hallazgos se validan a través de estudios de simulación y una aplicación de datos del mundo real.