Bayesian sensitivity analysis for unmeasured confounding in causal mediation analysis
Notice bibliographique
Résumé
Causal mediation analysis techniques enable investigators to examine whether the effect of the exposure on an outcome is mediated by some intermediate variable. Motivated by a data example from epidemiology, we consider estimation of natural direct and indirect effects on a survival outcome. An important concern is bias from confounders that may be unmeasured. Estimating natural direct and indirect effects requires an elaborate series of assumptions in order to identify the target quantities. The analyst must carefully measure and adjust for important predictors of the exposure, mediator and outcome. Omitting important confounders may bias the results in a way that is difficult to predict. In recent years, several methods have been proposed to explore sensitivity to unmeasured confounding in mediation analysis. However, many of these methods limit complexity by relying on a handful of sensitivity parameters that are difficult to interpret, or alternatively, by assuming that specific patterns of unmeasured confounding are absent. Instead, we propose a simple Bayesian sensitivity analysis technique that is indexed by four bias parameters. Our method has the unique advantage that it is able to simultaneously assess unmeasured confounding in the mediator-outcome, exposure-outcome and exposure-mediator relationships. It is a natural Bayesian extension of the sensitivity analysis methodologies of VanderWeele, which have been widely used in the epidemiology literature. We present simulation findings, and additionally, we illustrate the method in an epidemiological study of mortality rates in criminal offenders from British Columbia.
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 | 0,062 | 0,423 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».