A doubly robust estimator for the Mann Whitney Wilcoxon Rank Sum Test when applied for causal inference in observational studies
观察研究因果推断中 Mann–Whitney–Wilcoxon 秩和统计量的双重稳健估计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：摘要研究观察数据中的混杂调整，并以比较两组结果分布的秩统计量为推断对象。
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
观察研究因果推断中 Mann–Whitney–Wilcoxon 秩和统计量的双重稳健估计
- 研究问题
- 在观察研究中比较两个处理组的偏态结果时，如何调整混杂，使 Mann–Whitney–Wilcoxon 秩和统计量具有适当的因果解释？
- 方法与思路
- 作者在逆概率加权和既有双重稳健方法的基础上，利用函数响应模型构造新的双重稳健估计量，并以模拟和真实研究数据展示。
- 材料陈述的贡献
- 摘要将既有方法的假设、推断计算和检验目标列为局限，提出函数响应模型估计路线；未给出改进幅度或具体渐近结论。
- 阅读关注点
- 应核对秩统计量对应的因果目标、函数响应模型的设定、双重稳健性成立条件，以及方差估计和检验与既有方法的区别。
- 阅读边界
- 所给版本为 arXiv 预印本，同行评审及接收状态未核实；摘要对既有研究局限的评价尚待核对，也未说明新方法的渐近性质。
原文摘要
The Mann-Whitney-Wilcoxon rank sum test (MWWRST) is a widely used method for comparing two treatment groups in randomized control trials, particularly when dealing with highly skewed data. However, when applied to observational study data, the MWWRST often yields invalid results for causal inference. To address this limitation, Wu et al. (2014) introduced an approach that incorporates inverse probability weighting (IPW) into this rank-based statistics to mitigate confounding effects. Subsequently, Mao (2018), Zhang et al. (2019), and Ai et al. (2020) extended this IPW estimator to develop doubly robust estimators. Nevertheless, each of these approaches has notable limitations. Mao's method imposes stringent assumptions that may not align with real-world study data. Zhang et al.'s (2019) estimators rely on bootstrap inference, which suffers from computational inefficiency and lacks known asymptotic properties. Meanwhile, Ai et al. (2020) primarily focus on testing the null hypothesis of equal distributions between two groups, which is a more stringent assumption that may not be well-suited to the primary practical application of MWWRST. In this paper, we aim to address these limitations by leveraging functional response models (FRM) to develop doubly robust estimators. We demonstrate the performance of our proposed approach using both simulated and real study data.