Fully Latent Principal Stratification With Measurement Models
结合测量模型的完全潜在主层化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：摘要明确以主层化研究随机干预中的治疗效应异质性，直接对应因果推断；纵向测量不足以单独判为面板方法。
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…
结合测量模型的完全潜在主层化
- 研究问题
- 如何将多变量或纵向干预实施数据压缩为低维潜在特征，并研究不同实施方式对应的个体之间治疗效应如何变化？
- 方法与思路
- 作者将主层化与潜变量测量模型结合，构建两个治疗组中主层均潜在的 FLPS 框架，并介绍包含项目反应理论测量的模型。
- 材料陈述的贡献
- 摘要称，该框架可将复杂实施数据纳入因果模型；模拟展示其可行性，并用随机数学辅导实验中的提示使用数据进行说明。
- 阅读关注点
- 应核对潜在主层的定义、测量模型与因果效应的识别条件，以及对照组潜变量如何处理、模型设定如何影响估计。
- 阅读边界
- 仅据 arXiv 预印本摘要解读，同行评审及期刊接收未经核实；摘要未给出识别假设、模拟数值或应用效应估计。
原文摘要
There is wide agreement on the importance of implementation data from randomized effectiveness studies in behavioral science; however, there are few methods available to incorporate these data into causal models, especially when they are multivariate or longitudinal, and interest is in low-dimensional summaries. We introduce a framework for studying how treatment effects vary between subjects who implement an intervention differently, combining principal stratification with latent variable measurement models; since principal strata are latent in both treatment arms, we call it "fully-latent principal stratification" or FLPS. We describe FLPS models including item-response-theory measurement, show that they are feasible in a simulation study, and illustrate them in an analysis of hint usage from a randomized study of computerized mathematics tutors.