Estimating Treatment Effects with Missings Not At Random in the Estimand Framework using Causal Inference
估计目标框架下非随机缺失的处理效应估计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：摘要明确使用潜在响应变量和因果图研究随机试验中的处理效应及非随机缺失，直接支持因果推断方向。
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
估计目标框架下非随机缺失的处理效应估计
- 研究问题
- 随机试验出现伴发事件及非随机缺失时，能否不插补缺失结果而估计处理效应，哪些效应指标具有所述稳健性？
- 方法与思路
- 作者用有向无环图与患者特定的潜在响应变量描述缺失过程，在因果推断视角下比较缺失机制，并研究充分混杂调整后的效应指标。
- 材料陈述的贡献
- 摘要称，提出无需插补即可获得无偏处理效应估计的方法，并称平均条件对数优势比在充分混杂调整后可对非随机缺失保持稳健。
- 阅读关注点
- 应核对估计目标与伴发事件策略、充分调整的具体条件，以及平均条件对数优势比与边际处理效应之间的区别。
- 阅读边界
- 这是 arXiv 预印本，不能据此确认同行评审或期刊接收；摘要未说明无偏性与稳健性的完整条件，不能推广到所有非随机缺失机制。
原文摘要
The analysis of randomized trials is often complicated by the occurrence of intercurrent events and missing values. Even though there are different strategies to address missing values it is still common to require missing values imputation. In the present article we explore the estimation of treatment effects in RCTs from a causal inference perspective under different missing data mechanisms with a particular emphasis on missings not at random (MNAR). By modelling the missingness process with directed acylcic graphs and patient-specific potential response variables, we present a new approach to obtain an unbiased estimation of treatment effects without needing to impute missing values. Additionally, we provide a formal that the average conditional log-odds ratio is a robust measure even under MNAR missing values if adjusted by sufficient confounders.