Multiply robust estimation of causal effects using linked data
利用关联数据进行因果效应的多重稳健估计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：摘要以未测混杂、选择偏差、平均处理效应识别与多重稳健估计为核心。
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
利用关联数据进行因果效应的多重稳健估计
- 研究问题
- 当主研究存在未测混杂、仅部分个体能关联补充数据时，如何同时处理混杂与关联选择偏差，识别平均处理效应？
- 方法与思路
- 作者假定进入关联队列仅由已观测混杂变量决定，提出三种非参数识别策略，并组合不同数据分布成分的估计量。
- 材料陈述的贡献
- 摘要称所得平均处理效应估计量具有三重稳健性，三个指定成分之一正确即可一致，全部模型正确时具有局部效率。
- 阅读关注点
- 应核对三种识别表达式、各稳健分支对应的模型组合，以及部分不可观测协变量、关联机制和效率条件的具体要求。
- 阅读边界
- 这是 arXiv 预印本，同行评审与接收未核实。摘要未列出三个成分的完整定义，稳健性结论仍依赖所述识别框架。
原文摘要
Unmeasured confounding presents a common challenge in observational studies, potentially making standard causal parameters unidentifiable without additional assumptions. Given the increasing availability of diverse data sources, exploiting data linkage offers a potential solution to mitigate unmeasured confounding within a primary study of interest. However, this approach often introduces selection bias, as data linkage is feasible only for a subset of the study population. To address this concern, we explore three nonparametric identification strategies under the assumption that a unit' s inclusion in the linked cohort is determined solely by the observed confounders, while acknowledging that the ignorability assumption may depend on some partially unobserved covariates. The existence of multiple identification strategies motivates the development of estimators that effectively capture distinct components of the observed data distribution. Appropriately combining these estimators yields triply robust estimators for the average treatment effect. These estimators remain consistent if at least one of the three distinct parts of the observed data law is correct. Moreover, they are locally efficient if all the models are correctly specified. We evaluate the proposed estimators using simulation studies and real data analysis.