Nonparametric efficient estimation of marginal structural models with continuous time-varying treatments
连续时变处理下边际结构模型的非参数有效估计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。
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：摘要明确研究时变处理的因果效应、边际结构模型及纵向半参数有效推断。
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
连续时变处理下边际结构模型的非参数有效估计
- 研究问题
- 对于多值或连续且随时间变化的处理，如何为边际结构模型构造可扩展的非参数因果效应估计与有效推断？
- 方法与思路
- 作者结合自适应回归与集成学习，分析非参数识别泛函的一阶 von Mises 展开、有效影响函数及效率界。
- 材料陈述的贡献
- 摘要称，在所给条件下估计量有效、渐近正态且序贯双重稳健，并用模拟及流动性与疫情病例的研究展示应用。
- 阅读关注点
- 应核对纵向识别条件、连续处理的支持要求、序贯双重稳健性的具体含义，以及辅助回归误差与效率的关系。
- 阅读边界
- 仅据所给 Crossref 摘要，无法判断识别及收敛条件，也不能将疫情应用的效应解释视为已核验的因果结论。
原文摘要
Summary Marginal structural models are a popular method for estimating causal effects in the presence of time-varying exposures. In spite of their popularity, no scalable nonparametric estimator exists for marginal structural models with multi-valued or continuous time-varying treatments. In this paper, we combine flexible, data-adaptive regression methods, including ensemble learning techniques, with recent developments in semiparametric efficiency theory for longitudinal studies to propose such an estimator. The proposed estimator is based on a study of the nonparametric identifying functional, including first-order von Mises expansions, as well as the efficient influence function and the efficiency bound. We show conditions under which the proposed estimators are efficient, asymptotically normal and sequentially doubly robust. We perform a simulation study to illustrate the properties of the estimators, and present the results of our motivating study on a COVID-19 dataset, studying the impact of mobility on the cumulative number of observed cases.