Estimativa Duplamente Robusta em Dados Ausentes e Modelos de Inferência Causal

Resumo O objetivo deste artigo é construir estimadores duplamente robustos (DR) em dados ausentes ignoráveis e modelos de inferência causal. Em um modelo de dados ausentes, um estimador é DR se ele permanece consistente quando um modelo para o mecanismo de ausência ou um modelo para a distribuição dos dados completos é corretamente especificado. Como com dados observacionais nunca se pode ter certeza de que um modelo de ausência ou um modelo de dados completos está correto, talvez o melhor que se possa esperar seja encontrar um estimador DR. Estimadores DR, em contraste com estimadores padrão baseados em máxima verossimilhança ou estimadores ponderados por probabilidade inversa (não aumentados), oferecem ao analista duas chances, em vez de apenas uma, para fazer uma inferência válida. Em um modelo de inferência causal, um estimador é DR se ele permanece consistente quando um modelo para o mecanismo de atribuição do tratamento ou um modelo para a distribuição dos dados contrafactuais é corretamente especificado. Como com dados observacionais nunca se pode ter certeza de que um modelo para o mecanismo de atribuição do tratamento ou um modelo para os dados contrafactuais está correto, a inferência baseada em estimadores DR deve melhorar abordagens anteriores. De fato, apresentamos os resultados de estudos de simulação que demonstram que o desempenho em amostras finitas de estimadores DR é tão impressionante quanto a teoria prevê. O método proposto é aplicado a um ensaio clínico cardiovascular.