Robust inference for risk heterogeneity under group imbalance
组间不平衡下的风险异质性稳健推断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：摘要聚焦两群体间风险异质性的稳健推断与正交化估计，属因果/半参数推断范畴，并涉及分布性异质性，故对应因果推断与分位数及分布效应。
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
组间不平衡下的风险异质性稳健推断
- 研究问题
- 摘要关注如何在人口群体规模不平衡时推断两个群体间的风险异质性，例如ICU研究中不同族裔入院诊断与院内死亡风险的差异；摘要未说明不平衡的具体定义与识别目标。
- 方法与思路
- 作者提出基于Neyman正交性的稳健推断框架，构造对冗余参数估计误差局部不敏感的估计量，并称该估计量具有一致性与渐近正态性，另用模拟与eICU数据库应用加以说明。
- 材料陈述的贡献
- 摘要称该方法在有限样本下较标准似然方法显著降低偏差、提高推断稳定性，并在eICU数据中发现标准似然方法未能检出的族裔特异性入院诊断死亡风险异质性。
- 阅读关注点
- 应核对异质性的正式定义与目标参数、Neyman正交矩条件的构造与冗余参数、一致性与渐近正态性所需假设、组间不平衡下的方差估计与推断程序，以及模拟设计和eICU应用的可复现细节。
- 阅读边界
- 仅凭摘要无法判断识别假设是否成立、定理条件是否充分、模拟与实证结论是否稳健，也未说明不平衡程度、样本量与多重比较处理；该文为arXiv预印本，未经同行评审验证。
原文摘要
Population-level heterogeneity is ubiquitous in biomedical data, where differences across demographic or clinical subgroups can substantially alter risk patterns. For example, in intensive care unit (ICU) studies, the mortality risk associated with specific admission diagnoses can vary across ethnic groups. Existing approaches for detecting risk heterogeneity are often sensitive to baseline model misspecification and regularization bias, both of which commonly arise in practice. In this paper, we propose a robust framework for inferring risk heterogeneity between two populations using Neyman orthogonality, which yields estimators that are locally insensitive to nuisance parameter estimation error. The proposed estimator is consistent and asymptotically normal, and simulation studies demonstrate that in finite samples our method substantially reduces bias and improves inferential stability compared with standard likelihood-based approaches. In an application to the eICU Collaborative Research Database, our method reveals clinically meaningful ethnicity-specific heterogeneity in admission diagnoses for in-hospital mortality that standard likelihood-based methods fail to detect.