Estimating Average Causal Effects with Incomplete Exposure and Confounders
暴露与混杂变量不完整时的平均因果效应估计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：摘要围绕缺失暴露和混杂变量下平均因果效应的识别、影响函数及双重稳健估计展开。
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
暴露与混杂变量不完整时的平均因果效应估计
- 研究问题
- 在观察性研究中，暴露和混杂变量同时可能缺失时，如何在随机缺失及特定非随机缺失设定下识别并估计平均因果效应？
- 方法与思路
- 作者提出若干非随机缺失假设，推导非参数模型下的识别与影响函数，并构造允许两组模型之一错设的双重稳健 TMLE。
- 材料陈述的贡献
- 摘要称方法适用于不同结局类型，模拟显示常规多重插补在非随机缺失下可能有偏，并以 NHANES 阿片处方使用与死亡研究展示。
- 阅读关注点
- 核对各非随机缺失假设的可解释性及识别公式，检查结局模型与暴露、缺失模型的稳健性组合，并评估应用中的假设可信度。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未核实；摘要未列明非随机缺失假设和模拟细节，多重插补的表现不能推广为所有设定的结论。
原文摘要
Standard methods for estimating average causal effects require complete observations of the exposure and confounders. In observational studies, however, missing data are ubiquitous. Motivated by a study on the effect of prescription opioids on mortality, we propose methods for estimating average causal effects when exposures and potential confounders may be missing. We consider missingness at random and additionally propose several specific missing not at random (MNAR) assumptions. Under our proposed MNAR assumptions, we show that the average causal effects are identified from the observed data and derive corresponding influence functions in a nonparametric model, which form the basis of our proposed estimators. Our simulations show that standard multiple imputation techniques paired with a complete data estimator is unbiased when data are missing at random (MAR) but can be biased otherwise. For each of the MNAR assumptions, we instead propose doubly robust targeted maximum likelihood estimators (TMLE), allowing misspecification of either (i) the outcome models or (ii) the exposure and missingness models. The proposed methods are suitable for any outcome types, and we apply them to a motivating study that examines the effect of prescription opioid usage on all-cause mortality using data from the National Health and Nutrition Examination Survey (NHANES).