Practical Implementation of Advanced Causal Inference Method: Development of an R Package for Bayesian Marginal Structural Models with Time-Varying Treatment
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Background: Observational studies offer a viable, efficient, and low-cost design to readily gather evidence on exposure effects. Although more practical, the exposure mechanism is non-randomized and causal inference methods are required to draw causal conclusions. Objectives: Bayesian approaches to causal inference have unique estimation features that are useful in many settings; however, there is a lack of open-access software packages to carry out these analyses. Our project seeks to address this gap by developing a user-friendly R package named “bayesmsm” for the implementation of the Bayesian Marginal Structural Models for longitudinal observational data with extensions to handle right-censoring which is common for longitudinal health data. This R package provides an elegant approach to conduct Bayesian causal inference with time-varying exposure and confounding. Methods: We use simulated datasets to assess the performance of the package and to illustrate its use. This package first implements Bayesian parametric treatment assignment weight estimation through Markov Chain Monte Carlo (MCMC) computation. It then uses Bayesian non-parametric bootstrap to maximize the utility function with respect to the causal effect. The bootstrap calculation process was optimized for performance through parallel computing. The package has additional features, including handling right-censored data and generating analysis summaries and visualizations. Results: Using simulated datasets with and without right-censoring, the subject-specific treatment assignment weights were estimated using the package's weight estimation functions. The Bayesian posterior bootstrap results were further visualized by functions built within this package. Conclusions: The “bayesmsm” package provides a reliable tool to implement complex Bayesian Marginal Structural Model analysis. Future work will focus on extending this package to handle time-to-event data.
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.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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 | 0,000 | 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 découle