Multiply robust estimators in causal inference

Mūsdienās aizvien noderīgāka kļūst informācija, ko var iegūt ar cēloņsakarību statistikas analīzi. Ir zināmas dažādas metodes, kas spēj novērtēt kādu iedarbības faktora ietekmi uz konkrētu iznākumu, taču lielākoties šos abus lielumus ietekmē vēl kāds vai vairāki mainīgie, kurus ne vienmēr uzreiz var noteikt un izmantot. Šajā darbā tiks apskatītas metodes, kas izmanto vairākus atsevišķus novērtētājus, ko apvienojot iegūst modeli, kurš būtu drošs pret nenoteiktajiem mainīgajiem. Lai šos novērtētājus varētu pielietot praksē, no sākuma jāveic dažādi pieņēmumi un jāsaprot gadījumi, kad viens mainīgais ietekmē gan iedarbības faktoru, gan iznākumu. Tiks pamatots, kāpēc apakšmodeļi palīdz nodrošināt apvienotā modeļa pareizu specifikāciju, un izveidots modelis, kas sevī ietver nevis divus bet trīs modeļus. Darba praktiskajā daļā tiks pielietotas aprakstītās metodes uz simulētiem datiem un apkopoti iegūtie rezultāti.Information gathered from observational data and estimated through causal inference are becoming more and more useful. We are already familiar with a variety of methods used for consistent effect estimation on a continues outcome. However, both, effect and outcome, are in most cases influenced by one or more covariates that we may not always be able to identify. We will consider methods that use several sub-models to be included in one union model to be protected against uncontrolled confounding. In order to use these estimators in practice, it is necessary to make important assumptions and understand confounding as such. Furthermore, we will look into different scenarios of misspecified sub-models of doubly and multiply robust estimation and apply these models on simulated data. Results well be summarized and discussed in the end