A resampling approach for causal inference on novel two-point time-series with application to identify risk factors for type-2 diabetes and cardiovascular disease
无对照组两时点数据的重抽样因果推断及健康风险应用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：摘要研究同一个体基线与随访的重复观测，并明确采用匹配进行因果效应推断。
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…
无对照组两时点数据的重抽样因果推断及健康风险应用
- 研究问题
- 健康研究只有个体基线与随访观测、没有平行对照组时，如何利用重抽样和匹配估计干预及相关风险因素的因果效应？
- 方法与思路
- 作者提出 I-Rand，对每名个体独立抽取两个时点之一，再结合匹配方法进行效应估计与推断，并应用于低碳水饮食干预数据。
- 材料陈述的贡献
- 摘要称该方法在临床观测数据中发现肥胖风险和低碳水饮食的显著关联效应，并提供实现代码；其因果解释仍需核对识别依据。
- 阅读关注点
- 应重点核对没有对照组时如何排除时间趋势、混杂与其他同期变化，以及时点抽样、匹配和重复重抽样如何支持效应推断。
- 阅读边界
- 所据为 arXiv 预印本，同行评审与期刊接收未核实；摘要未列明因果识别假设和效应数值，抽样程序本身不能证明干预因果性。
原文摘要
Two-point time-series data, characterized by baseline and follow-up observations, are frequently encountered in health research. We study a novel two-point time series structure without a control group, which is driven by an observational routine clinical dataset collected to monitor key risk markers of type-$2$ diabetes (T2D) and cardiovascular disease (CVD). We propose a resampling approach called 'I-Rand' for independently sampling one of the two time points for each individual and making inference on the estimated causal effects based on matching methods. The proposed method is illustrated with data from a service-based dietary intervention to promote a low-carbohydrate diet (LCD), designed to impact risk of T2D and CVD. Baseline data contain a pre-intervention health record of study participants, and health data after LCD intervention are recorded at the follow-up visit, providing a two-point time-series pattern without a parallel control group. Using this approach we find that obesity is a significant risk factor of T2D and CVD, and an LCD approach can significantly mitigate the risks of T2D and CVD. We provide code that implements our method.