A Longitudinal Bayesian Framework for Estimating Causal Dose-Response Relationships
Existing causal methods for time-varying exposure and time-varying confounding focus on estimating the average causal effect of a time-varying binary treatment on an end-of-study outcome, offering limited tools for characterizing marginal causal dose–response relationships under continuous exposures. We propose a scalable, nonparametric Bayesian framework for estimating marginal longitudinal causal dose–response functions with repeated outcome measurements. Our approach targets the average potential outcome at any fixed dose level and accommodates time-varying confounding through the generalized propensity score. The proposed approach embeds a Dirichlet process specification within a generalized estimating equations structure, capturing temporal correlation while making minimal assumptions about the functional form of the continuous exposure. We apply the proposed methods to monthly metro ridership and COVID-19 case data.
Cadre bayésien longitudinal pour l'estimation des relations causales dose-réponse
Les méthodes causales existantes pour l'exposition variable dans le temps et les facteurs de confusion variables dans le temps se concentrent sur l'estimation de l'effet causal moyen d'un traitement binaire variable dans le temps sur un résultat à la fin de l'étude, offrant des outils limités pour caractériser les relations causales marginales dose-réponse dans le cadre d'expositions continues. Nous proposons un cadre bayésien non paramétrique et évolutif pour estimer les fonctions causales marginales longitudinales dose-réponse avec des mesures répétées de la variable réponse. Notre approche cible la réponse potentielle moyenne à tout niveau de dose fixe et tient compte des facteurs de confusion variables dans le temps grâce au score de propension généralisé. L'approche proposée intègre une spécification de processus de Dirichlet dans une structure d'équations d'estimation généralisées, capturant la corrélation temporelle tout en faisant des hypothèses minimales sur la forme fonctionnelle de l'exposition continue. Nous appliquons les méthodes proposées aux données mensuelles sur la fréquentation du métro et les cas de COVID-19.
Date and Time
-
Langue de la présentation orale
Anglais
Langue des supports visuels
Anglais