Simulation-free extrapolation for misspecified models induced by categorizing an error-prone continuous covariate
连续暴露变量分类化导致模型误设时的无模拟外推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：摘要聚焦流行病学暴露测量误差与分类化导致的模型误设校正，未直接涉及所列微观、宏观或金融领域细分，故不选择。
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
连续暴露变量分类化导致模型误设时的无模拟外推
- 研究问题
- 摘要关注：当连续暴露被分类化、且暴露存在测量误差时，如何校正由此产生的误分类与模型误设，从而估计潜在类别对比。
- 方法与思路
- 作者提出 SIMFEX：用重复测量估计误分类概率与潜在类别比例，直接计算均值尺度轨迹，无需伪数据或反复拟合结果模型，并外推到无误分类端点。
- 材料陈述的贡献
- 摘要称该构造在已知一对一连接函数下适用，在所述条件下估计量一致；含无误协变量时，恒等连接可加模型的对比关系精确，非恒等连接为实用近似。
- 阅读关注点
- 应核对一致性所需的具体条件、连接函数与协变量不变性假设、重复测量设计的要求，以及模拟与英国生物样本库分析中对比与不确定性的具体数值。
- 阅读边界
- 仅凭摘要无法判断假设的现实性、有限样本表现与外部效度；这是 arXiv 预印本，未经同行评审验证，不能据此声称已被期刊接收。
原文摘要
Epidemiological studies often categorize continuous exposures for interpretation even when the underlying outcome-exposure association is continuous. The fitted categorical regression is a misspecified model because it replaces the continuous exposure with categories. With measurement error, categorization also misclassifies latent exposure categories, so the observed regression generally targets different means and contrasts. Existing estimating-equation and simulation-based extrapolation approaches require, respectively, outcome-model-specific derivations and pseudo-data generation with repeated fitting. We introduce simulation-free extrapolation (SIMFEX), which estimates misclassification probabilities and latent category proportions from replicates, computes the mean-scale trajectory without pseudo-data or repeated outcome-model fitting, and extrapolates it to the no-misclassification endpoint. Without additional error-free covariates, this construction applies across known one-to-one links, and the resulting estimator is consistent under stated conditions. With error-free covariates, the contrast relation remains exact for identity-link additive models when misclassification probabilities and category proportions are covariate-invariant; the nonidentity-link version provides a practical approximation. Simulations show substantial bias reduction relative to the naive analysis and coverage generally close to nominal. In the UK Biobank analysis, SIMFEX produced larger estimated high-versus-low fat-intake contrasts than the naive analysis for body mass index and obesity, illustrating how category misclassification can change the magnitude and uncertainty of prespecified contrasts.