A joint modeling approach to treatment effects estimation with unmeasured confounders
存在未测量混杂时处理效应估计的联合建模方法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。
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：摘要明确研究未测量混杂下的处理效应识别与估计，并以纵向数据和混合效应联合模型为分析框架。
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
存在未测量混杂时处理效应估计的联合建模方法
- 研究问题
- 在纵向观测数据存在未测量混杂、且混杂因素与处理可能交互时，如何识别并估计平均及异质性处理效应？
- 方法与思路
- 作者提出混合效应联合模型，同时建模结果回归与倾向得分，并使用拉普拉斯变体的 EM 算法估计模型参数。
- 材料陈述的贡献
- 摘要称，该框架允许处理与未测量混杂对结果产生交互，并用于研究巴塞罗那短期空气污染暴露对心理健康的影响。
- 阅读关注点
- 应核对未测量混杂的建模方式、联合模型的识别条件，以及随机效应和交互项如何支持平均与异质性效应估计。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未获核实；摘要未说明识别假设、模型误设后果及应用结果的具体数值。
原文摘要
Estimating treatment effects using observation data often relies on the assumption of no unmeasured confounders. However, unmeasured confounding variables may exist in many real-world problems. It can lead to a biased estimation without incorporating the unmeasured confounding effect. To address this problem, this paper proposes a new mixed-effects joint modeling approach to identifying and estimating the OR function and the PS function in the presence of unmeasured confounders in longitudinal data settings. As a result, we can obtain the estimators of the average treatment effect and heterogeneous treatment effects. In our proposed setting, we allow interaction effects of the treatment and unmeasured confounders on the outcome. Moreover, we propose a new Laplacian-variant EM algorithm to estimate the parameters in the joint models. We apply the method to a real-world application from the CitieS-Health Barcelona Panel Study, in which we study the effect of short-term air pollution exposure on mental health.