Estimation and visualization of treatment effects for multiple outcomes
多结果变量处理效应的估计与可视化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：摘要以随机对照试验中的处理效应和疗效异质性亚组识别为核心，因此直接对应因果推断方向。
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…
多结果变量处理效应的估计与可视化
- 研究问题
- 在两组随机对照试验中，如何同时估计多个类型不同的结果变量的处理效应，并识别试验疗法更有效的协变量特征亚组？
- 方法与思路
- 作者在广义线性模型框架中引入潜变量进行多元回归，对载荷施加 Lasso 稀疏约束，并通过效应与潜变量可视化解释亚组。
- 材料陈述的贡献
- 摘要称该方法能够联合处理多种结果类型，并利用稀疏载荷改善结果与协变量关系的解释，模拟和实际例子展示其应用效果。
- 阅读关注点
- 应核对不同结果的链接函数、潜变量与载荷的识别、处理交互项的设定，以及亚组选择后的不确定性是否得到适当处理。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未核实。摘要未说明推断保证、亚组筛选误差或具体比较结果，不能确认普遍优势。
原文摘要
We consider a randomized controlled trial between two groups. The objective is to identify a population with characteristics such that the test therapy is more effective than the control therapy. Such a population is called a subgroup. This identification can be made by estimating the treatment effect and identifying interactions between treatments and covariates. To date, many methods have been proposed to identify subgroups for a single outcome. There are also multiple outcomes, but they are difficult to interpret and cannot be applied to outcomes other than continuous values. In this paper, we propose a multivariate regression method that introduces latent variables to estimate the treatment effect on multiple outcomes simultaneously. The proposed method introduces latent variables and adds Lasso sparsity constraints to the estimated loadings to facilitate the interpretation of the relationship between outcomes and covariates. The framework of the generalized linear model makes it applicable to various types of outcomes. Interpretation of subgroups is made by visualizing treatment effects and latent variables. This allows us to identify subgroups with characteristics that make the test therapy more effective for multiple outcomes. Simulation and real data examples demonstrate the effectiveness of the proposed method.