Checking assumptions: what we can and cannot do
A large majority of methods described in the causal literature rely on standard assumptions, including no unmeasured confounding (NUC) and positivity. When estimating treatment effects, the NUC assumption requires the measurement of all variables related to both treatment and the outcome of interest. Positivity, or the experimental treatment assignment, requires that the (generalized) propensity score be positive for all possible covariate combinations. In this talk, we explore various approaches for detecting and mitigating violations of the NUC and positivity assumptions. Through several simulations, we illustrate both the limitations and possibilities for assessing these standard assumptions.
Vérification des hypothèses : ce que nous pouvons et ne pouvons pas faire
Une grande majorité des méthodes décrites dans la littérature causale reposent sur des hypothèses standards, notamment l'absence de facteurs de confusion non mesuré (NUC) et la positivité. Lors de l'estimation des effets d’un traitement, l'hypothèse NUC requiert que toutes les variables liées à la fois au traitement et la variable réponse soient bien mesurées. La positivité, ou l'affectation expérimentale du traitement, exige que le score de propension (généralisé) soit positif pour toutes les combinaisons possibles des covariables. Dans cet exposé, nous explorons diverses approches permettant de détecter et d'atténuer les violations des hypothèses de NUC et de positivité. À l'aide de plusieurs simulations, nous illustrons à la fois les limites et les possibilités d'évaluation de ces hypothèses standards.
Date and Time
-
Langue de la présentation orale
Français
Langue des supports visuels
Bilingue