Handling missing data when estimating causal effects with Targeted Maximum Likelihood Estimation
使用目标最大似然估计因果效应时如何处理缺失数据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：摘要直接比较缺失数据处理方法对 TMLE 因果效应估计的影响。
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
使用目标最大似然估计因果效应时如何处理缺失数据
- 研究问题
- 在结合数据自适应方法的 TMLE 因果效应估计中，缺失机制与插补模型的交互项、非线性设定如何影响偏差和方差？
- 方法与思路
- 作者依据维多利亚青少年健康队列构造六种模拟情景，比较完整案例、扩展 TMLE、缺失指示及五类参数或机器学习多重插补。
- 材料陈述的贡献
- 摘要称包含交互项的参数插补在多数设置中表现较好，但缺失模型含非线性项时有例外，并强调缺失机制及插补与分析的兼容性。
- 阅读关注点
- 应核对缺失机制、交互与非线性的具体设定、各插补方法如何衔接 TMLE，以及所谓双重稳健性在缺失数据下的适用范围。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未经核实；摘要未报告具体偏差和方差，模拟结果不能保证某种插补方法普遍占优。
原文摘要
Targeted Maximum Likelihood Estimation (TMLE) is increasingly used for doubly robust causal inference, but how missing data should be handled when using TMLE with data-adaptive approaches is unclear. Based on the Victorian Adolescent Health Cohort Study, we conducted a simulation study to evaluate eight missing data methods in this context: complete-case analysis, extended TMLE incorporating outcome-missingness model, missing covariate missing indicator method, five multiple imputation (MI) approaches using parametric or machine-learning models. Six scenarios were considered, varying in exposure/outcome generation models (presence of confounder-confounder interactions) and missingness mechanisms (whether outcome influenced missingness in other variables and presence of interaction/non-linear terms in missingness models). Complete-case analysis and extended TMLE had small biases when outcome did not influence missingness in other variables. Parametric MI without interactions had large bias when exposure/outcome generation models included interactions. Parametric MI including interactions performed best in bias and variance reduction across all settings, except when missingness models included a non-linear term. When choosing a method to handle missing data in the context of TMLE, researchers must consider the missingness mechanism and, for MI, compatibility with the analysis method. In many settings, a parametric MI approach that incorporates interactions and non-linearities is expected to perform well.