TutorialCausalInferenceEstimators:流行病学家因果推断中最常见的估计量和计算介绍-源码

教程：面向应用研究人员和流行病学家的计算因果推理简介 马修·詹姆斯·史密斯、卡米尔·马林格、伯纳德·雷切特、穆罕默德·A·曼苏尼亚、保罗·齐维奇、斯蒂芬·R·科尔、米格尔·安吉尔·卢克·费尔南德斯 该存储库向科学界提供预印本手稿中使用的数据和代码，请访问 引用此存储库： 马修·詹姆斯·史密斯、卡米尔·马林格、伯纳德·雷切特、穆罕默德·A·曼苏尼亚、保罗·齐维奇、斯蒂芬·R·科尔、米格尔·安吉尔·卢克·费尔南德斯 抽象的 许多健康研究的目的是估计暴露对结局的影响。 在随机对照试验中为个体分配暴露并不总是符合道德的，而是必须使用观察数据和适当的研究设计。 观察性研究存在重大挑战，其中之一是混杂，可能导致对因果效应的估计有偏差。 混杂控制通常通过对测量混杂因素的简单调整来执行； 然而，这往往是不够的。 因果推理领域的最新进展已经通过建立在经典标准化方法的基础上来解决混淆问题。 然而，这些最近的进