Instrumental Variable Estimation with Time-Varying Exposure using Structural Nested Mean Models
Unmeasured confounding remains one of the most persistent challenges in causal inference. Although the assumption of no unmeasured confounding is fundamental to all causal models, it is inherently untestable in observational studies. Various methods have been developed to mitigate this issue, such as the use of instrumental variables. While these approaches are well-studied in point-treatment settings, their extensions to time-varying treatments and outcomes have received comparatively little attention. To address this limitation, we propose a structural nested mean model (SNMM) with instrumental variables (IV) to handle both time-varying treatment and covariates data with unmeasured confounding. The proposed framework allows for time-varying covariates, mitigating bias that can arise for conventional estimators in such settings. We evaluate the finite-sample performance of the method via a simulation study, examining bias and variance across a range of data-generating mechanisms.
Estimation par variable instrumentale avec exposition variable dans le temps à l'aide de modèles structurels à moyennes imbriquées
Les facteurs de confusion non mesurés restent l'un des défis les plus persistants en inférence causale. Bien que l'hypothèse d'absence de facteurs de confusion non mesurés soit fondamentale pour tous les modèles causaux, elle est intrinsèquement invérifiable dans les études observationnelles. Diverses méthodes ont été développées pour atténuer ce problème, telles que l'utilisation de variables instrumentales. Si ces approches ont été largement étudiées dans le cadre de traitements ponctuels, leur extension aux variables de traitement et réponses dans le temps a reçu relativement peu d'attention. Nous proposons un modèle structurel à moyennes imbriquées (SNMM) avec des variables instrumentales (IV) afin de traiter à la fois les données de la variable de traitement dans le temps et les covariables avec des facteurs de confusion non mesurés. Le cadre proposé est applicable aux covariables variables dans le temps, atténuant ainsi le biais qui peut apparaître pour les estimateurs conventionnels dans de tels contextes. Nous évaluons les performances de la méthode sur un échantillon fini à l'aide d'une étude de simulation, examinant le biais et la variance pour une série de mécanismes de génération de données.
Date and Time
-
Langue de la présentation orale
Anglais
Langue des supports visuels
Anglais