Assessing the impact of unmeasured confounding for binary outcomes using confounding functions
Notice bibliographique
Résumé
A critical assumption of causal inference is that of no unmeasured confounding: for estimated exposure effects to have valid causal interpretations, a sufficient set of predictors of exposure and outcome must be adequately measured and correctly included in the respective inference model(s). In an observational study setting, this assumption will often be unsatisfied, and the potential impact of unmeasured confounding on effect estimates should be investigated. The confounding function approach allows the impact of unmeasured confounding on estimates to be assessed, where unmeasured confounding may be due to unmeasured confounders and/or biases such as collider bias or information bias. Although this approach is easy to implement and pertains to the sum of all bias, its use has not been widespread, and discussion has typically been limited to continuous outcomes. In this paper, we consider confounding functions for use with binary outcomes and illustrate the approach with an example. We note that confounding function choice encodes assumptions about effect modification: some choices encode the belief that the true causal effect differs across exposure groups, whereas others imply that any difference between the true causal parameter and the estimate is entirely due to imbalanced risks between exposure groups. The confounding function approach is a useful method for assessing the impact of unmeasured confounding, in particular when alternative approaches, e.g. external adjustment or instrumental variable approaches, cannot be applied. We provide Stata and R code for the implementation of this approach when the causal estimand of interest is an odds or risk ratio.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,005 | 0,048 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».