Causal inference with outcome dependent sampling and mismeasured outcome
结果依赖抽样与结果测量误差下的因果推断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：摘要明确以平均处理效应的识别和估计为目标，处理结果依赖抽样与测量误差。
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…
结果依赖抽样与结果测量误差下的因果推断
- 研究问题
- 当样本入选依赖结果，且用于抽样的结果本身存在测量误差时，如何识别并估计平均处理效应，避免两类问题共同造成偏差？
- 方法与思路
- 作者先在广义线性模型下建立识别与估计结果，再以广义加性模型放宽设定，使用惩罚 B 样条估计，并开展模拟与实际应用。
- 材料陈述的贡献
- 摘要称建立平均处理效应的可识别性及估计量一致性，给出样条估计的渐近性质，并应用于英国生物样本库的饮酒与痛风研究。
- 阅读关注点
- 应核对抽样机制、结果误测机制及其所需辅助信息、平均处理效应的识别条件，以及样条惩罚选择和渐近推断的假设。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收均未核实；摘要未具体列明识别及正则条件，不能断定任意抽样和误测机制均可处理。
原文摘要
Outcome-dependent sampling designs are extensively utilized in various scientific disciplines, including epidemiology, ecology, and economics, with retrospective case-control studies being specific examples of such designs. Additionally, if the outcome used for sample selection is also mismeasured, then it is even more challenging to estimate the average treatment effect (ATE) accurately. To our knowledge, no existing method can address these two issues simultaneously. In this paper, we establish the identifiability of ATE and propose a novel method for estimating ATE in the context of generalized linear model. The estimator is shown to be consistent under some regularity conditions. To relax the model assumption, we also consider generalized additive model. We propose to estimate ATE using penalized B-splines and establish asymptotic properties for the proposed estimator. Our methods are evaluated through extensive simulation studies and the application to a dataset from the UK Biobank, with alcohol intake as the treatment and gout as the outcome.