Estimation of time-varying treatment effects using marginal structural models dependent on partial treatment history
基于部分处理历史的边际结构模型：时变处理效应估计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：摘要研究时变混杂下以逆概率加权和边际结构模型估计处理效应。
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…
基于部分处理历史的边际结构模型：时变处理效应估计
- 研究问题
- 存在时变混杂时，如何减少累积逆概率权重的低效率与边际结构模型误设问题，并选择效应所依赖的处理历史长度？
- 方法与思路
- 作者针对仅依赖部分处理历史的边际结构模型构造新逆概率权重，并以闭合检验选择历史长度，分析已知权重下的理论性质。
- 材料陈述的贡献
- 摘要称模拟中方法改善时变效应估计和历史长度选择，并应用于血液透析患者数据；同时讨论向估计权重情形扩展。
- 阅读关注点
- 应核对截取处理历史所需的额外假设、闭合检验控制的错误类型，以及已知权重理论能否覆盖实际估计权重的误差。
- 阅读边界
- 所据为 arXiv 预印本，同行评审或期刊接收未核实；部分理论依赖额外假设，其具体内容及可检验范围在摘要中未说明。
原文摘要
Inverse probability (IP) weighting of marginal structural models (MSMs) can provide consistent estimators of time-varying treatment effects under correct model specifications and identifiability assumptions, even in the presence of time-varying confounding. However, this method has two problems: (i) inefficiency due to IP-weights cumulating all time points and (ii) bias and inefficiency due to the MSM misspecification. To address these problems, we propose (i) new IP-weights for estimating parameters of the MSM that depends on partial treatment history and (ii) closed testing procedures for selecting partial treatment history (how far back in time the MSM depends on past treatments). We derive the theoretical properties of our proposed methods under known IP-weights and discuss their extension to estimated IP-weights. Although some of our theoretical results are derived under additional assumptions beyond standard identifiability assumptions, some of which can be checked empirically from the data. In simulation studies, our proposed methods outperformed existing methods both in terms of performance in estimating time-varying treatment effects and in selecting partial treatment history. Our proposed methods have also been applied to real data of hemodialysis patients with reasonable results.