Evaluating Treatment Effects using Group Testing with Retesting of Positive Groups
利用阳性组复检的群组检测评估处理效应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：摘要明确在基线混杂下结合逆概率加权与群组检测，识别和估计平均处理效应。
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…
关注这篇论文的作者
利用阳性组复检的群组检测评估处理效应
- 研究问题
- 生物样本混合检测并对阳性组复检时，如何在个体基线存在混杂的观测数据中，利用群组检测信息估计干预的平均处理效应？
- 方法与思路
- 作者将逆概率加权嵌入混合检测的伪似然，构造无偏伪得分函数，并以代入估计量开展处理效应估计及渐近推断。
- 材料陈述的贡献
- 摘要称在正则条件下证明一致性与渐近正态性，模拟支持偏差纠正，并用美国流感疫苗有效性监测数据展示估计与诊断用途。
- 阅读关注点
- 应核对因果识别假设、处理概率的估计、混合检测及复检误差的建模，以及伪似然如何连接群组观测与个体平均处理效应。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未经核实；摘要未列明因果假设和完整正则条件，不能据此确认实际数据中的混杂已消除。
原文摘要
Group testing is an established, highly cost-effective strategy for population-level disease surveillance that identifies positive individuals by pooling biological specimens. Originally introduced during World War II for large-scale screening and heavily utilized in modern high-throughput public health infrastructure, traditional group testing methods are restricted to purely associational analyses. Consequently, they lack the capacity to infer the direct causal effect of an intervention when individual-level data are subject to baseline confounding. In this work, we bridge this fundamental gap by introducing a causal inference framework tailored specifically for group testing designs. We integrate the principles of inverse probability weighting (IPW) directly into a pooled pseudo-likelihood formulation to construct an unbiased pseudo-score function. Under standard regularity conditions, we prove the consistency and asymptotic normality of our proposed plug-in estimator. Extensive numerical simulations demonstrate that our framework successfully purges severe selection bias, accurately recovering the true average treatment effect where traditional unweighted pooling models fail. Finally, we illustrate the practical utility of our method as both an estimation and a diagnostic tool using real-world observational surveillance data from the CDC's U.S. Influenza Vaccine Effectiveness Network.