Joint Modelling for Causal Inference on Missing Exposures under Missing Not at Random Assumption

In causal inference, when the exposure variable has missing values, one needs to adjust for both confounding and missingness issues. There is few literature focusing on the missing exposure under missing not at random (MNAR) assumption. In this talk, we provide identification conditions when the exposure is MNAR and propose an IPW estimator using joint modelling approach, termed IPW-Joint, to estimate the causal effect, which combines estimated weights from the missingness and PS models. To address the problem of variable selection in the high-dimensional setting, we apply outcome-adaptive LASSO with weighted absolute mean difference (OAL-WAMD) to select the outcome-related covariates when the exposure is MNAR. The simulation studies show that IPW-Joint is more robust than the traditional IPW approach. In addition, OAL-WAMD outperforms the traditional LASSO in both moderate and high-dimensional settings.

Modélisation conjointe pour l'inférence causale sur les expositions manquantes selon une hypothèse d'absence non aléatoire

En inférence causale, lorsque la variable d'exposition présente des valeurs manquantes, il est nécessaire d'ajuster à la fois les problèmes de confusion et de données manquantes. Il existe peu de littérature consacrée à l'exposition manquante dans l'hypothèse MNAR (« missing not at random », ou absence non aléatoire). Dans cette présentation, nous fournissons des conditions d'identification lorsque l'exposition est MNAR et proposons un estimateur IPW utilisant une approche de modélisation conjointe, appelée IPW-Joint, pour estimer l'effet causal, qui combine les poids estimés à partir des modèles d'absence et PS. Pour résoudre le problème de la sélection des variables dans un contexte à haute dimension, nous appliquons le LASSO adaptatif aux résultats avec différence moyenne absolue pondérée (OAL-WAMD) pour sélectionner les covariables liées aux résultats lorsque l'exposition est MNAR. Les études de simulation montrent que l'IPW-Joint est plus robuste que l'approche IPW traditionnelle. De plus, l'OAL-WAMD surpasse le LASSO traditionnel dans les contextes à dimension modérée et élevée.

Session

Advances in Causal Inference: Tackling Missing Data, Study Designs, and Multi-Source Integration in Health Research

Date and Time