Robuste kausale Inferenz bei Punktexpositionen mit fehlenden Störfaktoren

Zusammenfassung Große Beobachtungsdatenbanken sind häufig von fehlenden Daten betroffen. Daher müssen Methoden zur kausalen Inferenz gleichzeitig mit Störfaktoren und Fehlenden umgehen; erstaunlicherweise wurde an dieser Schnittstelle bislang wenig gearbeitet. Motiviert durch diese Situation schlagen wir einen effizienten und robusten Schätzer des kausalen durchschnittlichen Behandlungseffekts aus Kohortenstudien vor, wenn Störfaktoren zufällig fehlen. Der Ansatz basiert auf einer neuartigen Faktorisierung der Likelihood, die im Gegensatz zu alternativen Methoden eine flexible Modellierung von Störfunktionen (z.B. mit modernen Methoden des maschinellen Lernens) ermöglicht und gleichzeitig nominale Konvergenzraten der finalen Schätzer beibehält. Simulierte Daten, die aus einer auf elektronischen Gesundheitsakten basierenden Studie zu den langfristigen Auswirkungen von bariatrischer Chirurgie auf Gewichtsergebnisse abgeleitet wurden, bestätigen die Robustheitseigenschaften der vorgeschlagenen Schätzer in endlichen Stichproben. Unser Ansatz kann als theoretischer Maßstab dienen, an dem ad-hoc Methoden bewertet werden können.