Empirical stratification for predictive treatment effect heterogeneity with post-treatment variables
利用处理后变量研究预测性处理效应异质性的经验分层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：摘要明确讨论潜在响应、处理效应异质性、因果识别和主分层，因此归入因果推断。
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
利用处理后变量研究预测性处理效应异质性的经验分层
- 研究问题
- 处理后事件、依从性或行为反应的信息，能否通过基线预测转化为可访问的分组，从而刻画主要结果上的处理效应异质性？
- 方法与思路
- 作者用基线协变量预测潜在处理后变量响应，构建经验得分与分层，并提出投影效应曲线及基于有效影响函数的估计方法。
- 材料陈述的贡献
- 摘要提出经验分层处理效应，称其在一组标准因果假设下可识别，并区分其与主分层的推断问题，辅以模拟和两项应用。
- 阅读关注点
- 应核对潜在响应得分的定义、可识别条件、分层与投影目标的关系，以及灵活辅助模型估计和主分层比较的具体实现。
- 阅读边界
- 这是 arXiv 预印本，同行评审与期刊接收未核实；摘要未列出所谓标准假设，也未交代应用数据、估计误差与数值结果。
原文摘要
Post-treatment variables (PVs), such as intercurrent events, treatment noncompliance, and behavioral responses to treatment, provide information about individuals' post-treatment responses and may help characterize heterogeneity in treatment effects on the primary outcome. This paper develops an empirical stratification framework to study the treatment effect heterogeneity across baseline-predicted PV response profiles. Specifically, we construct empirical scores from baseline-covariate predictions of potential PV responses and use these scores to define empirically accessible subgroups for treatment effect evaluation. The resulting empirical-stratum treatment effects (ETEs) quantify treatment effects across these baseline-predicted PV response profiles, and are identifiable under a standard set of assumptions in causal inference. We further introduce projected ETE curves and develop efficient-influence-function-based estimators that allow flexible nuisance estimation. We clarify the distinction and connection of our framework to principal stratification analysis, which address two inferential questions. We evaluate the proposed framework through simulation studies and illustrate its use in two real-world applications.