Causal Secondary Analysis of Linked Data in the Presence of Mismatch Error
记录错配下链接数据的因果二次分析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：摘要在潜在结果框架下研究平均治疗效应及记录错配造成的偏差，直接属于因果推断。
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
记录错配下链接数据的因果二次分析
- 研究问题
- 当数据链接与后续分析分离、分析者仅掌握有限链接质量信息时，如何在记录错配不确定性下估计平均治疗效应？
- 方法与思路
- 作者将未知匹配状态视为缺失数据，以两成分混合模型和EM变体推断匹配状态，并据此构造估计方程与渐近推断。
- 材料陈述的贡献
- 摘要提出处理链接不确定性的治疗效应估计方法，并称模拟及案例展示了计入错配的重要性和该方法的有效性。
- 阅读关注点
- 核对混合模型如何区分正确与错误匹配、因果识别和链接机制所需条件，以及EM估计与匹配不确定性如何进入标准误。
- 阅读边界
- 这是arXiv预印本，同行评审或期刊接收未核实；摘要未说明错配机制限制、混合模型可识别条件及案例的具体结果。
原文摘要
The increased prevalence of observational data and the need to integrate information from multiple sources are critical challenges in contemporary data analysis. Record linkage is a widely used tool for combining datasets in the absence of unique identifiers. The presence of linkage errors such as mismatched records, however, often hampers the analysis of data sets obtained in this way. This issue is more difficult to address in secondary analysis settings, where linkage and subsequent analysis are performed separately, and analysts have limited information about linkage quality. In this paper, we investigate the estimation of average treatment effects in the conventional potential outcome-based causal inference framework under linkage uncertainty. To mitigate the bias that would be incurred with naive analyses, we propose an approach based on estimating equations that treats the unknown match status indicators as missing data. Leveraging a variant of the Expectation-Maximization algorithm, these indicators are imputed based on a corresponding two-component mixture model. The approach is amenable to asymptotic inference. Simulation studies and a case study highlight the importance of accounting for linkage uncertainty and demonstrate the effectiveness of the proposed approach.