Modeling Time-Varying Effects of Mobile Health Interventions Using Longitudinal Functional Data from HeartSteps Micro-Randomized Trial
利用 HeartSteps 微随机试验的纵向函数数据建模移动健康干预的时变效应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：摘要基于微随机试验估计时变干预效应及情境调节，核心是因果效应建模；纵向数据本身不足以确定面板计量分类。
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
利用 HeartSteps 微随机试验的纵向函数数据建模移动健康干预的时变效应
- 研究问题
- 活动提醒对步数的影响如何在单次决策后的时间内、不同决策时点之间变化，又如何受到提醒类型与个人情境的调节？
- 方法与思路
- 作者提出含双时间索引和变系数的半参数因果偏离效应模型，采用两阶段估计处理纵向函数结局，并建立渐近理论。
- 材料陈述的贡献
- 摘要称，估计器对高维结局回归辅助模型的误设具有稳健性；HeartSteps 应用揭示响应时机及其随提醒和情境变化的特点。
- 阅读关注点
- 应核对因果偏离效应的目标定义、随机化与可用性条件、双时间结构，以及误设稳健性所覆盖的模型和渐近推断条件。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未经核实。摘要未给出完整稳健性条件或效应大小，不能理解为任意误设均无影响。
原文摘要
To optimize mobile health interventions and advance domain knowledge on intervention design, it is critical to understand how the intervention effect varies over time and with contextual information. This study aims to assess how a push notification suggesting physical activity influences individuals' step counts using data from the HeartSteps micro-randomized trial (MRT). The statistical challenges include the time-varying treatments and longitudinal functional step count measurements. We propose the first semiparametric causal excursion effect model with varying coefficients to model the time-varying effects within a decision point and across decision points in an MRT. The proposed model incorporates double time indices to accommodate the longitudinal functional outcome, enabling the assessment of time-varying effect moderation by contextual variables. We propose a two-stage causal effect estimator that is robust against a misspecified high-dimensional outcome regression nuisance model. We establish asymptotic theory and conduct simulation studies to validate the proposed estimator. Our analysis provides new insights into individuals' change in response profiles (such as how soon a response occurs) due to the activity suggestions, how such changes differ by the type of suggestions received, and how such changes depend on other contextual information such as being recently sedentary and the day being a weekday.