A Semiparametric Approach to Model Effect Modification
刻画效应修饰的半参数方法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。
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：摘要直接研究处理或暴露的效应修饰、不同处理选择下的结果差异及双重稳健估计，因此归入因果推断。
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
刻画效应修饰的半参数方法
- 研究问题
- 如何识别处理或暴露效应随已观测协变量的变化，并在协变量较多时兼顾维度降低、估计稳健性与统计效率？
- 方法与思路
- 作者直接对不同处理或暴露下的期望结果差异建立半参数模型，推导有效估计方程与效率得分，并构造双重稳健损失。
- 材料陈述的贡献
- 摘要称框架支持降维，并统一分析渐近、非渐近与算法性质；模拟和真实数据比较中，尤其效率改进版本表现较好。
- 阅读关注点
- 应核对效应对比的识别假设、半参数模型限制与降维结构，以及双重稳健所对应的干扰模型和效率改进的条件。
- 阅读边界
- 仅据稿件版本未注明的 OpenAlex 索引摘要；摘要未说明识别及双重稳健的具体条件，作者报告的比较优势不能推广为所有情形均优。
原文摘要
One fundamental statistical question for research areas such as precision medicine and health disparity is about discovering effect modification of treatment or exposure by observed covariates. We propose a semiparametric framework for identifying such effect modification. Instead of using the traditional outcome models, we directly posit semiparametric models on contrasts, or expected differences of the outcome under different treatment choices or exposures. Through semiparametric estimation theory, all valid estimating equations, including the efficient scores, are derived. Besides doubly robust loss functions, our approach also enables dimension reduction in presence of many covariates. The asymptotic and non-asymptotic properties of the proposed methods are explored via a unified statistical and algorithmic analysis. Comparison with existing methods in both simulation and real data analysis demonstrates the superiority of our estimators especially for an efficiency improved version. Supplementary materials for this article are available online.