Cumulative Marginal Mean Model for Assessing Sequential Effects Using Digital Health Data
利用数字健康数据评估序贯效应的累积边际均值模型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：摘要明确估计动态处理的异质因果效应及滞后效应；个体随时间观测本身不足以支持额外的面板方法分类。
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…
利用数字健康数据评估序贯效应的累积边际均值模型
- 研究问题
- 在移动健康干预动态实施且存在滞后持续效应时，如何利用数字表型估计随时间变化的异质处理效应，并处理观察数据中的混杂？
- 方法与思路
- 作者在累积边际均值模型下区分即时与滞后效应，结合序贯估计、DML 和 Neyman 正交得分，对时变异质效应进行推断。
- 材料陈述的贡献
- 摘要称建立估计量的渐近正态性，模拟支持其有限样本表现；帕金森病应用报告治疗对年轻患者更有效的统计证据。
- 阅读关注点
- 应核对序贯识别条件、滞后效应的范围与模型限制，以及重复观测依赖的处理；检查年龄异质性的估计目标和不确定性。
- 阅读边界
- 依据 arXiv 预印本摘要，同行评审及期刊接收未经核实；摘要未给出效应大小、识别条件或详细数据结构，不能外推临床适用性。
原文摘要
Mobile health (mHealth) leverages digital technologies, such as mobile phones, to capture objective, frequent, and real-world digital phenotypes from individuals, enabling the delivery of tailored interventions to accommodate substantial between-subject and temporal heterogeneity. However, evaluating heterogeneous treatment effects (HTEs) using digital phenotype data is challenging because treatments are delivered dynamically over time and may generate carryover effects that persist beyond the immediate response. Additionally, modeling observational data is complicated by confounding factors. To address these challenges, we propose a double machine learning (DML) method for estimating time-varying HTEs using digital phenotypes under a cumulative marginal mean model that separates current instantaneous effects from lagged carryover effects. Our approach uses a sequential estimation procedure together with Neyman-orthogonal scores to obtain robust inference for the time-varying HTEs. We establish the asymptotic normality of the proposed estimator. Extensive simulation studies validate the finite-sample performance of our approach, demonstrating the advantages of DML and the decomposition of treatment effects. We apply the method to an mHealth study of Parkinson's disease (PD), where we find that treatment is significantly more effective for younger patients. Our results highlight the potential of the proposed approach for advancing precision medicine in mHealth studies.