Generalizing conditional average treatment effects from nested randomized trials to all trial-eligible individuals
将嵌套随机试验的条件平均处理效应推广至全部符合资格者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：摘要聚焦随机试验效应向符合资格总体的推广，并估计按效应修饰变量变化的条件处理效应，属于因果推断。
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
将嵌套随机试验的条件平均处理效应推广至全部符合资格者
- 研究问题
- 在随机试验嵌套于符合资格人群的情形下，如何按预先指定的效应修饰变量估计目标人群的条件平均处理效应？
- 方法与思路
- 作者用数据自适应方法估计干扰函数，依据条件影响函数构造伪结果，再以局部线性核回归估计效应曲线并交叉拟合。
- 材料陈述的贡献
- 摘要提出结合半参数理论与灵活估计的总体条件效应方法，称样本拆分和交叉拟合可支持渐近有效推断，并提供模拟与应用。
- 阅读关注点
- 应核对嵌套试验的抽样结构、总体推广的识别条件、伪结果表达式、带宽选择，以及交叉拟合下推断所需的收敛条件。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未获核实；摘要未说明推广识别假设、具体收敛速度或模拟与应用结果数值。
原文摘要
Randomized controlled trials often enroll participants whose characteristics differ from those of a target population, which can limit the generalizability of the estimated treatment effects when effect modifiers differ across populations. While existing generalizability methods primarily focus on estimating the average treatment effect (ATE) in the target population, such summaries may obscure important heterogeneity that is relevant for clinical and policy decision-making. In this work, we illustrate an approach for estimating the conditional average treatment effect (CATE) in a target population of trial-eligible individuals as a function of prespecified effect modifiers within a nested trial setting. Our approach combines semiparametric theory with flexible estimation: we first estimate nuisance functions using data-adaptive methods and construct pseudo-outcomes from conditional influence functions, then estimate the CATE function via local linear (kernel) regression. Sample splitting and cross-fitting are used to reduce overfitting bias and ensure asymptotic valid inference. Finite-sample performance is assessed via simulations and illustrated in the Coronary Artery Surgery Study (CASS).