幸存者平均因果效应(Survivor Average Causal Effect,SACE)可以用来度量任何处理下都能存活的受试者接受不同处理的影响差异,是因果推断中的一个重要研究方向。由于处理组和对照组中总是存活的受试者样本不能直接观测,SACE通常是不可...幸存者平均因果效应(Survivor Average Causal Effect,SACE)可以用来度量任何处理下都能存活的受试者接受不同处理的影响差异,是因果推断中的一个重要研究方向。由于处理组和对照组中总是存活的受试者样本不能直接观测,SACE通常是不可识别的,只能得到SACE的边界。已有文献中SACE尖锐边界的主流求解方法依赖于多参数线性规划,通过枚举对偶问题的约束多边形的所有顶点来产生封闭形式的解。如果单调性和随机占优等条件不成立,则无法采用枚举法求解该多参数线性规划问题。文章基于主分层框架考虑了“死亡截断”、稳定个体处理效应和可忽略性假设下SACE的尖锐边界问题,其中,优化问题的求解是基于一阶KKT(Kraush-Kuhn-Tucker)条件所对应的多项式方程组。实证选取美国国家支持工作示范项目(National Supported Work Demonstration,NSW)中的Lalonde数据集,计算了“永远幸存者”(always-survivor)在完整协变量情形下的SACE尖锐边界。展开更多
文摘幸存者平均因果效应(Survivor Average Causal Effect,SACE)可以用来度量任何处理下都能存活的受试者接受不同处理的影响差异,是因果推断中的一个重要研究方向。由于处理组和对照组中总是存活的受试者样本不能直接观测,SACE通常是不可识别的,只能得到SACE的边界。已有文献中SACE尖锐边界的主流求解方法依赖于多参数线性规划,通过枚举对偶问题的约束多边形的所有顶点来产生封闭形式的解。如果单调性和随机占优等条件不成立,则无法采用枚举法求解该多参数线性规划问题。文章基于主分层框架考虑了“死亡截断”、稳定个体处理效应和可忽略性假设下SACE的尖锐边界问题,其中,优化问题的求解是基于一阶KKT(Kraush-Kuhn-Tucker)条件所对应的多项式方程组。实证选取美国国家支持工作示范项目(National Supported Work Demonstration,NSW)中的Lalonde数据集,计算了“永远幸存者”(always-survivor)在完整协变量情形下的SACE尖锐边界。
