Model Selection for Causal Modeling in Missing Exposure Problems
暴露缺失情形下因果建模的模型选择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：摘要明确讨论暴露缺失下的因果效应估计、倾向得分与插补模型选择。
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
暴露缺失情形下因果建模的模型选择
- 研究问题
- 当研究中的暴露变量满足随机缺失条件时，如何联合选择插补模型与倾向得分模型，使因果效应估计在准确性上表现更好？
- 方法与思路
- 作者通过模拟比较插补模型与倾向得分模型的组合，以因果效应估计的均方根误差评价表现，并提出综合评价两类模型的秩得分准则。
- 材料陈述的贡献
- 摘要称完整插补模型搭配结局相关的倾向得分模型，在所考察模拟中取得最小均方根误差；秩得分有助于选模，并提供临床应用。
- 阅读关注点
- 应核对随机缺失与因果识别的具体条件、完整插补模型的定义、秩得分的计算方式，以及选模过程是否影响最终效应推断。
- 阅读边界
- 这是arXiv预印本，不能据此认定已同行评审或期刊接收。摘要未说明识别条件和选模理论保证，模拟中的最优组合不能直接推广。
原文摘要
In causal inference, properly selecting the propensity score (PS) model is an important topic and has been widely investigated in observational studies. There is also a large literature focusing on the missing data problem. However, there are very few studies investigating the model selection issue for causal inference when the exposure is missing at random (MAR). In this paper, we discuss how to select both imputation and PS models, which can result in the smallest root mean squared error (RMSE) of the estimated causal effect in our simulation study. Then, we propose a new criterion, called ``rank score'' for evaluating the overall performance of both models. The simulation studies show that the full imputation plus the outcome-related PS models lead to the smallest RMSE and the rank score can help select the best models. An application study is conducted to quantify the causal effect of cardiovascular disease (CVD) on the mortality of COVID-19 patients.