Recoverability of Causal Effects under Presence of Missing Data: a Longitudinal Case Study
缺失数据下因果效应的可恢复性：一项纵向案例研究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：摘要直接讨论静态干预因果效应在缺失数据下的可恢复性与一致估计，纵向场景的核心方法仍属于因果推断。
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…
缺失数据下因果效应的可恢复性：一项纵向案例研究
- 研究问题
- 在多个连续变量存在缺失的纵向药物研究中，静态干预的因果效应能否仅凭可用数据一致估计，又如何依赖缺失因果图？
- 方法与思路
- 作者分析临床知识支持的三种缺失有向无环图，提出封闭缺失机制，并用理论和模拟比较完整案例、可用案例与多重插补。
- 材料陈述的贡献
- 摘要称，封闭缺失机制下可用案例分析具有一致估计的适用性，即使机制属于 MNAR；案例也显示恢复结论对图结构敏感。
- 阅读关注点
- 应核对封闭缺失机制的精确定义、三种图的临床依据、各干预效应的恢复公式，以及案例分析与插补比较的具体设定。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未经核实。所述优势依赖假定缺失图，不能推广为所有 MNAR 情形下均优于插补。
原文摘要
Missing data in multiple variables is a common issue. We investigate the applicability of the framework of graphical models for handling missing data to a complex longitudinal pharmacological study of children with HIV treated with an efavirenz-based regimen as part of the CHAPAS-3 trial. Specifically, we examine whether the causal effects of interest, defined through static interventions on multiple continuous variables, can be recovered (estimated consistently) from the available data only. So far, no general algorithms are available to decide on recoverability, and decisions have to be made on a case-by-case basis. We emphasize sensitivity of recoverability to even the smallest changes in the graph structure, and present recoverability results for three plausible missingness directed acyclic graphs (m-DAGs) in the CHAPAS-3 study, informed by clinical knowledge. Furthermore, we propose the concept of ``closed missingness mechanisms'' and show that under these mechanisms an available case analysis is admissible for consistent estimation for any type of statistical and causal query, even if the underlying missingness mechanism is of missing not at random (MNAR) type. Both simulations and theoretical considerations demonstrate how, in the assumed MNAR setting of our study, a complete or available case analysis can be superior to multiple imputation, and estimation results vary depending on the assumed missingness DAG. Our analyses demonstrate an innovative application of missingness DAGs to complex longitudinal real-world data, while highlighting the sensitivity of the results with respect to the assumed causal model.