Causal Meta-Analysis by Integrating Multiple Observational Studies with Multivariate Outcomes
整合多项多变量结局观察研究的因果元分析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：摘要直接研究观察性队列整合中的潜在结局比较、协变量平衡与因果加权推断。
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
整合多项多变量结局观察研究的因果元分析
- 研究问题
- 多项回顾性队列既不代表目标自然总体，又存在组间协变量不平衡时，如何整合研究，对不同群组的多类型潜在结局进行因果或描述性比较？
- 方法与思路
- 作者基于伪总体建立跨队列、多组别的协变量平衡框架，通过最大化队列有效样本量构造 FLEXOR 权重，再提出用于多种总体特征的加权估计量。
- 材料陈述的贡献
- 摘要称，该框架扩展既有加权方法至多队列整合分析，研究新估计量的渐近性质，并通过模拟和 TCGA 数据元分析展示 FLEXOR 策略的表现。
- 阅读关注点
- 应核对伪总体与自然目标总体的关系、有效样本量优化目标和协变量平衡约束，尤其检查无混杂推断的识别要求以及多变量结局的估计对象。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未获核实；摘要未列出无混杂及跨研究整合条件，协变量平衡本身不能确认已消除未观测混杂。
原文摘要
Integrating multiple observational studies to make unconfounded causal or descriptive comparisons of group potential outcomes in a large natural population is challenging. Moreover, retrospective cohorts, being convenience samples, are usually unrepresentative of the natural population of interest and have groups with unbalanced covariates. We propose a general covariate-balancing framework based on pseudo-populations that extends established weighting methods to the meta-analysis of multiple retrospective cohorts with multiple groups. Additionally, by maximizing the effective sample sizes of the cohorts, we propose a FLEXible, Optimized, and Realistic (FLEXOR) weighting method appropriate for integrative analyses. We develop new weighted estimators for unconfounded inferences on wide-ranging population-level features and estimands relevant to group comparisons of quantitative, categorical, or multivariate outcomes. Asymptotic properties of these estimators are examined. Through simulation studies and meta-analyses of TCGA datasets, we demonstrate the versatility and reliability of the proposed weighting strategy, especially for the FLEXOR pseudo-population.