Systematically Missing Data in Causally Interpretable Meta-Analysis
因果可解释元分析中的系统性数据缺失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：摘要直接研究随机试验效应向目标人群迁移时的反事实均值识别与平均处理效应估计。
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…
因果可解释元分析中的系统性数据缺失
- 研究问题
- 当部分随机试验未收集某些基线协变量时，如何合并试验与目标人群信息，识别并估计目标人群的平均处理效应？
- 方法与思路
- 作者提出反事实均值与平均处理效应的识别结果及三种估计量，并为目标人群的复杂调查设计纳入抽样权重和聚类。
- 材料陈述的贡献
- 摘要称论文分析了估计量的渐近性质，模拟显示良好有限样本表现，并结合肺癌筛查试验与 NHANES 数据开展应用。
- 阅读关注点
- 应核对系统性缺失下的识别条件、试验到目标人群的效应迁移条件，以及三种估计量和调查加权方差处理的差异。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未经核实；摘要未说明具体缺失机制、迁移假设或模拟结果的数值。
原文摘要
Causally interpretable meta-analysis combines information from a collection of randomized controlled trials to estimate treatment effects in a target population in which experimentation may not be possible but covariate information can be collected from a simple random sample. In such analyses, a key practical challenge is systematically missing data when some baseline covariates are not collected in all trials. Here, we provide identification results for potential (counterfactual) outcome means and average treatment effects in the target population when covariate data are systematically missing from some of the trials in the meta-analysis. We propose three estimators for the average treatment effect in the target population, examine their asymptotic properties, and show that they have good finite-sample performance in simulation studies. We use the estimators to analyze data from two large lung cancer screening trials and target population data from the National Health and Nutrition Examination Survey (NHANES). To accommodate the complex survey design of the NHANES, we modify the methods to incorporate survey sampling weights and allow for clustering.