Constructing g-computation estimators: two case studies in selection bias
构造 g-computation 估计量：选择偏差的两个案例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：摘要围绕选择偏差、因果图、调整集和 g-computation 的识别及估计展开，直接属于因果推断。
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
构造 g-computation 估计量：选择偏差的两个案例
- 研究问题
- 面对处理诱发选择，以及多种偏差并存但没有联合调整集的情形，如何把因果图上的识别结果转化为可实施估计量？
- 方法与思路
- 作者分别改造两个案例中的 g-computation，并将估计量写成堆叠估计方程，讨论实现、统计性质及模拟表现。
- 材料陈述的贡献
- 摘要称，两个案例展示了从识别结果构造估计程序的路径，并用统一的估计方程表达简化理论分析与实际应用。
- 阅读关注点
- 应核对两个案例的因果图、识别公式和所需假设，以及堆叠方程如何处理各阶段参数估计与不确定性传播。
- 阅读边界
- 这是 arXiv 预印本，同行评审及接收未核实；摘要未列出识别条件、具体统计性质或模拟结果，不能判断普遍适用性。
原文摘要
G-computation is a useful estimation method that can be adapted to address various biases in epidemiology. However, these adaptations may not be obvious for some complex causal structures. This challenge is an example of the much wider issue of translating a causal diagram into a novel estimation strategy. To highlight these challenges, we consider two recent cases from the selection bias literature: treatment-induced selection and co-occurrence of biases that lack a joint adjustment set. For each case study, we show how g-computation can be adapted, describe how to implement that adaptation, show some general statistical properties, and illustrate the estimator using simulation. To simplify both the theoretical study and practical application of our estimators, we express the proposed g-computation estimators as stacked estimating equations. These examples illustrate how epidemiologists can translate identification results into a g-computation estimator and study the theoretical and finite-sample properties of a novel estimator.