Nonparametric assessment of regimen response curve estimators
治疗方案响应曲线估计量的非参数评估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：摘要围绕动态治疗规则、边际结构模型和反事实风险的识别及估计展开。
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…
治疗方案响应曲线估计量的非参数评估
- 研究问题
- 用动态边际结构模型估计治疗规则参数与平均结果的关系时，如何评估工作模型拟合，以识别误设带来的偏差风险？
- 方法与思路
- 作者以反事实风险为目标，推导逆概率加权表示与典范梯度，并研究固定及数据依赖目标下风险估计量的渐近性质。
- 材料陈述的贡献
- 摘要称筛估计权重可使逆概率加权估计具有效率和渐近线性，并用帕金森病 LS1 研究展示方案响应曲线的估计。
- 阅读关注点
- 应核对反事实风险的定义及观测数据识别条件、数据依赖规则的处理，以及筛估计权重实现效率结论的具体要求。
- 阅读边界
- 这是 arXiv 预印本，不能据此确认同行评审或接收。摘要未列明识别与渐近条件，拟合风险评估不能单独保证因果解释成立。
原文摘要
Marginal structural models have been widely used in causal inference to estimate mean outcomes under either a static or a prespecified set of treatment decision rules. This approach requires imposing a working model for the mean outcome given a sequence of treatments and possibly baseline covariates. In this paper, we introduce a dynamic marginal structural model that can be used to estimate an optimal decision rule within a class of parametric rules. Specifically, we will estimate the mean outcome as a function of the parameters in the class of decision rules, referred to as a regimen-response curve. In general, misspecification of the working model may lead to a biased estimate with questionable causal interpretability. To mitigate this issue, we will leverage risk to assess "goodness-of-fit" of the imposed working model. We consider the counterfactual risk as our target parameter and derive inverse probability weighting and canonical gradients to map it to the observed data. We provide asymptotic properties of the resulting risk estimators, considering both fixed and data-dependent target parameters. We will show that the inverse probability weighting estimator can be efficient and asymptotic linear when the weight functions are estimated using a sieve-based estimator. The proposed method is implemented on the LS1 study to estimate a regimen-response curve for patients with Parkinson's disease.