Causal inference for N-of-1 trials
单人试验的因果推断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：摘要明确讨论单人试验的因果效应、识别假设与时变 g 公式，直接属于因果推断。
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…
单人试验的因果推断
- 研究问题
- 如何从单个受试者的交叉试验中定义并估计个体相关的治疗效应，以及滞后效应、时间趋势等因素如何改变分析策略？
- 方法与思路
- 作者定义名为 U-CATE 的条件平均治疗效应，讨论基线分配治疗序列下的识别，并以均值差或时变 g 公式处理不同因果模型。
- 材料陈述的贡献
- 摘要称，简单情形下均值差具有无偏性和渐近正态性；复杂情形下可在明确假设下通过时变 g 公式识别，并以痤疮试验展示分析差异。
- 阅读关注点
- 应核对 U-CATE 的条件化对象、治疗序列分配机制，以及滞后效应和结局间依赖下的识别条件与渐近理论适用范围。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未核验。摘要未列出完整识别条件，也不能据此判断单人短序列中的推断可靠性。
原文摘要
The aim of personalized medicine is to tailor treatment decisions to individuals' characteristics. N-of-1 trials are within-person crossover trials that hold the promise of targeting individual-specific effects. While the idea behind N-of-1 trials might seem simple, analyzing and interpreting N-of-1 trials is not straightforward. Here we ground N-of-1 trials in a formal causal inference framework and formalize intuitive claims from the N-of-1 trials literature. We focus on causal inference from a single N-of-1 trial and define a conditional average treatment effect (CATE) that represents a target in this setting, which we call the U-CATE. We discuss assumptions sufficient for identification and estimation of the U-CATE under different causal models where the treatment schedule is assigned at baseline. A simple mean difference is an unbiased, asymptotically normal estimator of the U-CATE in simple settings. We also consider settings where carryover effects, trends over time, time-varying common causes of the outcome, and outcome-outcome effects are present. In these more complex settings, we show that a time-varying g-formula identifies the U-CATE under explicit assumptions. Finally, we analyze data from N-of-1 trials about acne symptoms and show how different assumptions about the data generating process can lead to different analytical strategies.