Retrospective Causal Attribution under Case-Control Sampling
病例对照抽样下的回顾性因果归因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：摘要明确研究必要性概率的因果识别、单调性下的归因及病例对照选择偏差处理。
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…
病例对照抽样下的回顾性因果归因
- 研究问题
- 病例对照抽样存在选择偏差时，如何识别并高效估计必要性概率，即已暴露且发生结局者在未暴露时不会发生结局的概率？
- 方法与思路
- 作者借助外部总体结局发生率推导精确识别式，并构造无需该信息的稀有结局近似，再建立半参数效率理论、估计量及置信区间。
- 材料陈述的贡献
- 摘要称，单调性下可精确识别必要性概率，无单调性时获得下界；稀有结局近似误差按总体发生率阶消失，并可开展高效推断。
- 阅读关注点
- 应核对所称标准因果假设、病例对照选择机制、单调性的作用，以及外部发生率不确定性和近似误差如何进入实际推断。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实。摘要未完整列出识别条件；近似区间针对近似目标，是否覆盖精确目标仍需核对。
原文摘要
The probability of necessity PN quantifies the probability that an exposed individual who experienced an outcome would not have experienced it in the absence of exposure. Case-control studies are an important resource for investigating etiologic questions, but their sampling design can introduce selection bias and complicate the statistical inference for PN.In this paper, we develop a nonparametric framework for identification and efficient estimation of PN under case-control sampling. With an externally supplied population outcome prevalence, we derive an exact identification formula that identifies PN under standard causal assumptions and monotonicity and yields a valid lower bound without monotonicity. For rare outcomes, we derive a more tractable approximation that requires no external prevalence information and prove that its approximation error vanishes at the order of the population outcome prevalence. We further establish the semiparametric efficiency theory for the exact and approximate functionals, propose asymptotically efficient estimators, and construct confidence intervals for the corresponding targets. The proposed approach has potential applications in biomedical and epidemiological studies where causal attribution is investigated using retrospective data.