Model-Twin Randomization (MoTR) for Estimating the Recurring Individual Treatment Effect
模型孪生随机化：重复个体处理效应的估计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：摘要明确使用 g 公式与后门调整估计个体处理效应，直接对应因果推断；时间序列是其个体数据结构。
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…
模型孪生随机化：重复个体处理效应的估计
- 研究问题
- 如何利用单个人密集的观测时间序列，区分身体活动与睡眠之间的相关和因果关系，并估计稳定重复发生的个体处理效应？
- 方法与思路
- 作者提出模型孪生随机化 MoTR，将其表述为存在序列干扰时的 g 公式应用，并用于个体活动与睡眠的双向效应估计。
- 材料陈述的贡献
- 摘要称，方法可估计类似单人试验目标的重复个体处理效应，并与常规方法比较，分析作者本人最长近八年的 Fitbit 数据。
- 阅读关注点
- 应核对序列干扰和稳定重复效应的定义、后门调整的识别条件、时间依赖的建模方式，以及模型孪生随机化的具体实现。
- 阅读边界
- 这是 arXiv 预印本，不能据此认定已同行评审或获期刊接收；观测数据中的模型随机化不能替代真实随机分配，识别条件未详述。
原文摘要
Temporally dense single-person "small data" have become widely available thanks to mobile apps and wearable sensors. Many caregivers and self-trackers want to use these data to help a specific person change their behavior to achieve desired health outcomes. Ideally, this involves discerning possible causes from correlations using that person's own observational time series data. In this paper, we estimate within-individual average treatment effects of physical activity on sleep duration, and vice-versa. We introduce the model twin randomization (MoTR; "motor") method for analyzing an individual's intensive longitudinal data. Formally, MoTR is an application of the g-formula (i.e., standardization, back-door adjustment) under serial interference. It estimates stable recurring individual treatment effects, as is done in n-of-1 trials and single case experimental designs. We compare our approach to standard methods (with possible confounding) to show how to use causal inference to make better personalized recommendations for health behavior change, and analyze up to almost eight years of the authors' own Fitbit steps and sleep data.