Un marco para la estimación y selección causales bajo violaciones de positividad.

Área de la Ciencia:

• Los estudios de observación incluyen estudios de observación.
• La inferencia causal es la inferencia causal.
• Análisis de la política de salud Análisis de la política de salud

Sus antecedentes:

• La estimación de los efectos causales utilizando datos observacionales presenta desafíos debido a los desequilibrios de distribución covariada y la falta de solapamiento entre los grupos tratados y de control.
• Los métodos existentes como la ponderación de probabilidad inversa (IPW) y la ponderación de superposición (OW) implican compensaciones entre el sesgo y la varianza estadística, y se dirigen a diferentes poblaciones.

Objetivo del estudio:

• Proponer un marco para navegar las compensaciones entre sesgo y varianza en la estimación del efecto causal a partir de datos observacionales.
• Introducir una descomposición de sesgo y métricas para seleccionar las estimaciones apropiadas basadas en las preferencias de investigación.
• Ayudar a los investigadores a equilibrar la preservación de la población de investigación original con la reducción del sesgo estadístico.

Principales métodos:

• Desarrolló un marco de descomposición de sesgo para diferenciar entre sesgo estadístico y estimación y desajuste.
• Propuso dos métricas basadas en el diseño para cuantificar las compensaciones.
• Se introdujo un procedimiento de estimación y selección que incorpora preferencias específicas de dominio.

Principales resultados:

• El marco y el procedimiento propuestos ilustran efectivamente las compensaciones entre el sesgo y la varianza.
• La metodología permite una selección informada de los estimados en función de las preferencias para la preservación de la población o la reducción de sesgos.
• Demostró la aplicación del marco utilizando datos de cateterismo cardíaco derecho.

Conclusiones:

• El marco proporciona un enfoque estructurado para abordar los desafíos en la inferencia causal con datos observacionales, particularmente con respecto a la superposición limitada y el desequilibrio covariado.
• Los investigadores pueden utilizar las métricas propuestas y el procedimiento de selección para tomar decisiones informadas sobre la estimación y la orientación, optimizando para sus objetivos de investigación específicos.
• Este trabajo mejora la fiabilidad e interpretabilidad de las estimaciones de efectos causales derivadas de estudios de salud observacionales.