MARC

 008260219s2025        us            s          000c||eng  d
■001000017359025
■00520260202104823
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798265409126
■035    ▼a(MiAaPQ)AAI32169552
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a574
■090    ▼a전자자료
■1001  ▼aVega,  Sofia.
■24510▼aSpatio-Temporal  Methods  for  Causal  Inference  in  Quasi-Experimental  Studies:  Applications  to  Environmental  Health.▼h[electronic  resources]
■260    ▼a[S.l.]▼bHarvard  University.  ▼c2025
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2025
■300    ▼a132  p.
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  87-05,  Section:  B.
■500    ▼aAdvisor:  Nethery,  Rachel.
■5021  ▼aThesis  (Ph.D.)--Harvard  University,  2025.
■520    ▼aModern  environmental  health  studies  often  rely  on  quasi-experimental  designs,  where  policies  or  external  shocks  induce  localized  changes  in  exposure  across  geographic  regions.  When  comprehensive  panel  data  are  available  before  and  after  an  intervention,  one  can,  in  principle,  leverage  the  observed  data  to  reconstruct  counterfactual  trends.  Yet  rare  outcomes  (e.g.,  low  counts  of  a  disease)  and  unmeasured  confounding  that  evolves  dynamically  across  regions  and  periods  can  undermine  standard  approaches  like  difference-in-differences  or  synthetic  control  methods.  This  dissertation  develops  a  unified  suite  of  Bayesian  spatio-temporal  methods,  spatio-temporal  matrix  completion  and  Gaussian  process  models,  that  explicitly  borrow  strength  across  units  and  time  points  to  stabilize  inference  and  quantify  uncertainty.  Through  extensive  simulations  and  real-data  applications,  we  demonstrate  how  these  methods  generalize  popular  causal  tools,  yield  interpretable  weighting  schemes,  and  provide  practical  guidance  on  model  implementation  for  environmental  health  research.            In  Chapter  1,  we  introduce  Bayesian  spatio-temporal  matrix  completion  models  tailored  for  rare  count  outcomes  in  quasi-experimental  panel  data  through  an  application  examining  the  impacts  of  traffic-related  air  pollution  (TRAP)  on  childhood  hematologic  cancers.  Although  some  pollutants  emitted  in  vehicle  exhaust,  such  as  benzene,  are  known  to  cause  leukemia  in  adults  with  high  exposure  levels,  less  is  known  about  the  relationship  between  TRAP  and  childhood  hematologic  cancer.  In  the  1990s,  the  US  EPA  enacted  the  reformulated  gasoline  program  in  select  areas  of  the  US,  which  drastically  reduced  ambient  TRAP  in  affected  areas.  This  created  an  ideal  quasi-experiment  to  study  the  effects  of  TRAP  on  childhood  hematologic  cancers.  However,  existing  methods  for  quasi-experimental  analyses  can  perform  poorly  when  outcomes  are  rare  and  unstable,  as  with  childhood  cancer  incidence.  We  develop  Bayesian  spatio-temporal  matrix  completion  methods  to  conduct  causal  inference  in  quasi-experimental  settings  with  rare  outcomes.  Selective  information  sharing  across  space  and  time  enables  stable  estimation,  and  the  Bayesian  approach  facilitates  uncertainty  quantification.  We  evaluate  the  methods  through  simulations  and  apply  them  to  estimate  the  causal  effects  of  TRAP  on  childhood  leukemia  and  lymphoma.              In  Chapter  2,  we  expand  on  Chapter  1  to  investigate  the  potential  heterogeneous  impacts  of  the  reformulated  gasoline  program  on  the  incidence  of  CYA  lymphoma  across  disease  type  and  demographic  strata.  We  employ  recently-proposed  Bayesian  causal  Gaussian  process  (GP)  models,  applied  to  population  cancer  registry  data,  to  estimate  effects  of  the  program  on  CYA  lymphoma  incidence  across  strata  defined  by  cancer  type,  sex,  race,  Hispanic  ethnicity,  and  age  group.  Our  analytic  framework  allows  for  stable  estimation  of  stratum-specific  effects  via  data-driven  information  sharing  across  space,  time,  and  strata.  Effects  are  reported  on  both  the  absolute  and  relative  scales.  We  find  evidence  that  the  largest  program-attributable  reductions  in  lymphoma  incidence  rates  occurred  for  Hodgkin  lymphoma,  and  among  individuals  who  are  male,  white,  and/or  aged  20-29.  The  finding  of  larger  reductions  in  Hodgkin  lymphoma  is  notable  since  prior  TRAP  studies  have  primarily  focused  on  non-Hodgkin  lymphoma.              In  Chapter  3,  we  delve  deeper  into  Gaussian  process  approaches  for  quasi-experiments,  addressing  diverse  confounding  structures  that  may  not  be  fully  accommodated  by  the  model  presented  in  Chapter  2.  Estimating  causal  effects  in  quasi-experiments  with  spatio-temporal  panel  data  often  requires  adjusting  for  unmeasured  confounding  that  varies  across  space  and  time.  Gaussian  processes  offer  a  flexible,  nonparametric  modeling  approach  that  can  account  for  such  complex  dependencies  through  carefully  chosen  covariance  kernels.  In  this  paper,  we  provide  a  practical  and  interpretable  framework  for  applying  GPs  to  causal  inference  in  panel  data  settings.  We  demonstrate  how  GPs  generalize  popular  methods  such  as  synthetic  control  and  vertical  regression,  and  we  show  that  the  GP  posterior  mean  can  be  represented  as  a  weighted  average  of  observed  outcomes,  where  the  weights  reflect  spatial  and  temporal  similarity.  To  support  applied  use,  we  explore  how  different  kernel  choices  impact  both  estimation  performance  and  interpretability,  offering  guidance  for  selecting  between  separable  and  nonseparable  kernels.  Through  simulations  and  application  to  Hurricane  Katrina  mortality  data,  we  illustrate  how  GP  models  can  be  used  to  estimate  counterfactual  outcomes  and  quantify  treatment  effects.  All  code  and  materials  are  made  publicly  available  to  support  reproducibility  and  encourage  adoption.  Our  results  suggest  that  GPs  are  a  promising  and  interpretable  tool  for  addressing  unmeasured  spatio-temporal  confounding  in  quasi-experimental  studies.
■590    ▼aSchool  code:  0084.
■650  4▼aBiostatistics.
■650  4▼aEnvironmental  health.
■650  4▼aEpidemiology.
■650  4▼aPublic  health.
■653    ▼aChildhood  hematologic  cancers
■653    ▼aGaussian  process
■653    ▼aMatrix  completion
■653    ▼aPanel  data
■653    ▼aTraffic-related  air  pollution
■690    ▼a0308
■690    ▼a0470
■690    ▼a0766
■690    ▼a0573
■71020▼aHarvard  University▼bBiostatistics.
■7730  ▼tDissertations  Abstracts  International▼g87-05B.
■790    ▼a0084
■791    ▼aPh.D.
■792    ▼a2025
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17359025▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서