Treatment persistence drives estimator performance in longitudinal causal inference based on observational data: A simulation study
处理持续性如何影响纵向观察数据中的因果估计表现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：摘要围绕时变混杂、持续处理干预和因果风险比比较估计方法，文本依据直接支持因果推断分类。
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…
处理持续性如何影响纵向观察数据中的因果估计表现
- 研究问题
- 当基线方法与纵向方法针对不同因果目标时，处理持续性和时变混杂如何影响它们对持续处理方案风险比的估计表现？
- 方法与思路
- 作者用结构因果模型生成含二元处理、时变混杂和吸收性二元结果的数据，在九种情景下比较三种基线与两种纵向估计方法。
- 材料陈述的贡献
- 摘要称处理持续性是估计表现的主要驱动因素：高持续性缩小目标差异，低持续性带来实际正值性困难并增加纵向估计变异。
- 阅读关注点
- 应先区分各方法的目标干预与估计对象，再核对模拟机制、持续性设定及正值性诊断，避免把目标不一致误判为估计偏差。
- 阅读边界
- 这是 arXiv 预印本，同行评审与期刊接收未核实；结论来自所设模拟情景，摘要不足以判断其对其他治疗过程的适用性。
原文摘要
Longitudinal clinical data are increasingly available, offering opportunities to study treatment effects over time but also raising challenges related to time-varying confounding and evolving treatment decisions. We investigate how longitudinal treatment dynamics affect causal effect estimation when baseline and longitudinal methods target different causal estimands. Using a structural causal model (SCM), we simulate data with time-varying confounding, binary treatment, and an absorbing binary outcome under 9 scenarios combining functional complexity and treatment persistence. We compare three baseline and two longitudinal estimators against Monte Carlo ground-truth risk ratios (RRs) under sustained treatment regimes. Results show that treatment persistence is the main driver of estimator behaviour. High persistence reduces the discrepancy between baseline and sustained-regime estimands, making baseline estimators closer to the sustained-regime ground truth (average relative deviation of baseline IPTW/TMLE decreasing from 61% under low persistence to 10% under high persistence), whereas low persistence induces practical positivity challenges and increases the variability of longitudinal estimators, with empirical 95% interval widths increasing from 0.22 to 0.46 for longitudinal IPTW and from 0.20 to 0.36 for LTMLE when moving from high to low persistence. These findings emphasise that estimator performance should be interpreted jointly with the target intervention and the treatment process generating the observed data.