Sensitivity analysis for incremental effects, with application to a study of victimization & offending
增量干预效应的敏感性分析：受害经历与违法行为研究AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要围绕未测量混杂下随机增量干预的因果效应界与敏感性分析展开。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
增量干预效应的敏感性分析：受害经历与违法行为研究
- 研究问题
- 当存在未测量混杂时，通过倍增处理发生优势比定义的增量干预效应可以界定到什么程度，其敏感性如何评估？
- 方法与思路
- 作者在单时点采用 Rosenbaum 敏感性模型并提出效应界的双重稳健估计；对时变处理采用边际敏感性模型并讨论实现。
- 材料陈述的贡献
- 摘要称，单时点界估计具有渐近正态性，并刻画其与潜在结果均值界的关系；纵向情形给出尖锐界识别及部分实现结果。
- 阅读关注点
- 应核对敏感性参数的含义、效应界的尖锐性与辅助估计条件，并区分已完成的单时点估计和仍待建立的纵向估计程序。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未经核验；摘要明确纵向实用估计量尚未建立，应用稳健性也受所选敏感性模型限制。
原文摘要
Sensitivity analysis for unmeasured confounding under incremental propensity score interventions remains relatively underdeveloped. Incremental interventions define stochastic treatment regimes by multiplying the odds of treatment, offering a flexible framework for causal effect estimation. To study incremental effects when there are unobserved confounders, we adopt Rosenbaum's sensitivity model in single time point settings, and propose a doubly robust estimator for the resulting effect bounds. The bound estimators are asymptotically normal under mild conditions on nuisance function estimation. We show that incremental effect bounds can be narrower or wider than those for mean potential outcomes, and that the bounds must lie between the expected minimum and maximum of the conditional bounds on E(Y^0|X) and E(Y^1|X). For time-varying treatments, we consider the marginal sensitivity model. Although sharp bounds for incremental effects are identifiable from longitudinal data under this model, practical estimators have not yet been established; we discuss this challenge and provide partial results toward implementation. Finally, we apply our methods to study the effect of victimization on subsequent offending using data from the National Longitudinal Study of Adolescent to Adult Health (Add Health), illustrating the robustness of our findings in an empirical setting.