Probabilistic Variational Causal Approach in Observational Studies

要約

この論文では、根本的な問題との関連性に基づいて、観察研究におけるイベントの希少性と頻度を説明する新しい因果方法論を紹介します。
具体的には、確率的変異因果効果（PACE）と呼ばれる直接的な因果効果メトリックと、非バイナリおよびバイナリ治療の両方に適用される特定の仮定に付着するその変動を提案します。
PACEメトリックは、純粋に因果的成分を表す全変動の概念を統合することによって導き出されます。これは、治療値の間の仮説的遷移の確率と組み合わせて、治療値の介入です。
PACEにはパラメーター$ d $があり、$ d $の値が低い値はまれな治療値を強調しているシナリオに対応しますが、$ d $の値は、より頻繁な治療レベルの因果的影響がより関連性がある状況に焦点を当てています。
したがって、単一の因果効果値の代わりに、$ d $の因果効果関数を提供します。
さらに、曝露値が変化するにつれて、結果のそれぞれの正と負の因果変化を測定するために、正と負のペースを導入します。
また、平均ペースと呼ばれるペースの正規化されたバージョンも検討します。
さらに、観察研究における反事実的な課題を処理するためのペースの識別可能性基準を提供し、方法論のいくつかの一般化を定義します。
最後に、さまざまな例の分析を通じて、フレームワークを他のよく知られている因果フレームワークと比較します。

要約(オリジナル)

In this paper, we introduce a new causal methodology that accounts for the rarity and frequency of events in observational studies based on their relevance to the underlying problem. Specifically, we propose a direct causal effect metric called the Probabilistic vAriational Causal Effect (PACE) and its variations adhering to certain postulates applicable to both non-binary and binary treatments. The PACE metric is derived by integrating the concept of total variation, representing the purely causal component, with interventions on the treatment value, combined with the probabilities of hypothetical transitioning between treatment levels. PACE features a parameter $d$, where lower values of $d$ correspond to scenarios emphasizing rare treatment values, while higher values of $d$ focus on situations where the causal impact of more frequent treatment levels is more relevant. Thus, instead of a single causal effect value, we provide a causal effect function of the degree $d$. Additionally, we introduce positive and negative PACE to measure the respective positive and negative causal changes in the outcome as exposure values shift. We also consider normalized versions of PACE, referred to MEAN PACE. Furthermore, we provide an identifiability criterion for PACE to handle counterfactual challenges in observational studies, and we define several generalizations of our methodology. Lastly, we compare our framework with other well-known causal frameworks through the analysis of various examples.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google