Bayesian causal inference with longitudinal data
Notice bibliographique
Résumé
Bayesian statistical methods are becoming increasingly in demand in clinical and public health research. In the context of causal inference, Bayesian methods propagate estimation uncertainty, allow direct probability summaries of the causal parameters of interest, and afford us the ability to incorporate prior clinical/expert beliefs. Despite their unique estimation features and wide applicability, Bayesian causal inference methods for handling longitudinal data under observational designs have received little attention in the statistical literature. Under the observational setting, treatment assignment at each clinical visit follows a patient-adaptive decision strategy, where the clinician tailors treatment to the individual patient based on the current and past clinical measurements, as well as the treatment histories. Given the inherent time-dependent structure with longitudinal data, any additional data complexity, such as a repeatedly measured outcome, censoring, and high dimensional time-dependent covariates, brings substantial analytical challenges. In this thesis, two novel Bayesian causal methods to account for time-dependent confounding and time-dependent treatment in longitudinal observational studies are proposed. The first method extends Bayesian propensity score analysis and Bayesian marginal structural models to estimate visit-specific treatment effects with a repeatedly measured outcome. The second method introduces a Bayesian latent class approach to achieve causal inference from a joint model of time-dependent covariates, treatment and an end of study outcome. These proposed methods are compared to existing frequentist causal methods in simulation studies and their use is illustrated using real-world pediatric clinical 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.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,039 | 0,141 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,002 |
| Méta-épidémiologie (sens large) | 0,002 | 0,003 |
| Bibliométrie | 0,004 | 0,004 |
| Études des sciences et des technologies | 0,001 | 0,004 |
| Communication savante | 0,004 | 0,005 |
| Science ouverte | 0,003 | 0,004 |
| Intégrité de la recherche | 0,003 | 0,007 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».