L’analisi della mediazione causale esamina i percorsi causali che collegano le esposizioni a
malattia. La stima degli effetti interventistici, che sono la mediazione
stime che superano alcuni problemi di identificabilità degli effetti naturali,
è stato avanzato attraverso metodi di apprendimento automatico causale, particolarmente per
mediatori ad alta dimensione. Recentemente, è stato proposto interventistico
gli effetti possono essere definiti in ciascuno studio mappandoli sulla valutazione di uno studio target
specifici ipotetici interventi mediatori. Ciò fornisce un aspetto attraente
quadro per affrontare direttamente le domande di ricerca del mondo reale sulla portata di
che tali interventi potrebbero mitigare un aumento del rischio di malattia nel
esposto. Tuttavia, stime esistenti per gli effetti interventistici mappati su a
Gli studi target si basano su approcci parametrici singolarmente robusti, limitando il loro
applicabilità in contesti ad alta dimensionalità. Basandosi sugli sviluppi recenti
nell’apprendimento automatico causale per gli effetti interventistici, colmiamo questa lacuna
sviluppo di stimatori causali di machine learning per tre effetti interventistici
stime, definiti da studi target che valutano ipotetici interventi
inducendo cambiamenti distinti nella distribuzione dei mediatori congiunti. Queste stime sono
motivato da un caso di studio nell'ambito del Longitudinal Study of Australian Children,
utilizzato per l'illustrazione, che ha valutato come intervenire sugli alti livelli infiammatori
il carico e altri marcatori metabolomici avversi non infiammatori potrebbero mitigare
l’effetto causale avverso del sovrappeso o dell’obesità sull’ipertensione arteriosa
adolescenza. Sviluppiamo one-step e (parziale) mirato basato sulla perdita minima
stimatori basati su funzioni efficienti di influenza di tali stime,
dimostrando che sono coerenti con root-n, efficiente, e moltiplicarsi robusto sotto
determinate condizioni.

Questo articolo esplora i giri e le loro implicazioni.

Scarica PDF: