测量误差干扰下因果效应估计的研究

In estimating causal effects, researchers frequently encounter measurement error problems, which undermine the accuracy of statistical inference on causality. Up to today, most of the previous investigations focused only on a few types of models and estimators for causal inference. In this proposed research project, our goal is to develop estimators for causal effect with measurement error. On the one hand, we directly construct locally efficient semiparametric estimators based on the projection theory. On the other hand, we correct biases of common propensity score methods and matching methods, and indirectly obtain consistent estimators. Furthermore, the idea will be expanded to complicated data structures including longitudinal data and missing data for adapting real cases. Research results generated from this project will help to provide scientific guidances for the practical application when making causal inference with measurement errors.

在因果效应估计中，研究人员经常要面对数据可能存在测量误差的问题，如果忽略测量误差，常用的因果推断方法的准确性往往会受到干扰，甚至导致错误的结论。目前对该问题的研究多集中在少数模型结构下和少数推断方法中，开发和完善有针对性的估计方法势在必行。在本项目中，我们从直接与间接两个角度考虑测量误差下因果效应估计方法的开发，一方面利用半参数投影理论直接建立局部有效的半参数估计，另一方面通过矫正常用的倾向得分法与匹配法在测量误差存在时的估计偏差，间接获得相合估计。此外，我们还将工作拓展到包括纵向数据与缺失数据在内的复杂数据结构中，以应对复杂的实际问题。因此本项目的研究成果将促进因果推断理论的发展，为实际问题研究中的因果推断工作扫清障碍。

因果推断研究的是处理与结果间的因果关系，即研究观测结果的变化多大程度能够归因于处理。这类问题广泛地出现在医学、经济学、社会学等领域的研究中，决策者需要在各种关联关系中科学地认知处理与结果间的因果关系。在因果效应估计中，研究人员经常要面对数据可能存在测量误差的问题，如果忽略测量误差，通常的因果推断往往会产生偏差，难以直接使用，甚至导致错误的结论。本项目主要研究数据测量有误差时因果效应的估计问题，尝试透过这些可能带有测量误差的信息估计出真实的处理效应，并尽可能提高估计的有效性。我们针对几种不同情境讨论了当干扰变量有测量误差时处理效应的半参数估计问题。我们利用可观测的估计函数在无测量误差数据空间上的投影寻找相合估计，并通过增加适当的尾项改进估计函数以提高估计的有效性。该项工作被进一步推广到有缺失数据的情境下以应对复杂的实际问题。在一项HIV感染治疗数据的激励下我们还研究了如何使用两种生物标记物构造最优的个体处理摄入规则，对连续和半连续标记物分别给出了几种常用的处理效应估计方法，并从有效性和稳健性两个方面进行了比较，我们发现AIPW估计方法具有双重稳健性也能保证比较好的有效性。本项目的研究属于统计方法论的研发工作，研究成果具有较强的实际应用价值，特别是在临床医学心理学等领域的数据分析中可以直接加以应用，将能够有效地提高因果效应的估计精度，为处理测量误差干扰下因果推断工作提供了一种选择。

内容获取失败，请点击重试