On the Graphical Rules for Recovering the Average Treatment Effect Under Selection Bias
选择偏差下恢复平均处理效应的图形规则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：摘要明确研究选择偏差下平均处理效应的图形识别、g-computation 和逆概率加权，直接属于因果推断。
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
选择偏差下恢复平均处理效应的图形规则
- 研究问题
- 当样本选择受处理与结果的碰撞点后代或中介影响时，现有简单图形规则之外，如何识别总体边际平均处理效应？
- 方法与思路
- 作者借助单世界干预图提出替代图形规则，结合样本外个体信息，构造 g-computation 与逆概率加权识别公式。
- 材料陈述的贡献
- 摘要称处理了两类现有简单规则及估计策略未覆盖的选择偏差情形，并用模拟展示相应估计与粗略完整案例分析的差异。
- 阅读关注点
- 应核对两类因果图的具体结构、所需外部信息和可观测变量，以及识别公式依赖的条件和目标总体定义。
- 阅读边界
- 来源为 arXiv 预印本，同行评审与期刊接收未核实；摘要未列出完整图形规则和外部信息要求，不能据此判断具体数据可识别性。
原文摘要
Selection bias is a major obstacle toward valid causal inference in epidemiology. Over the past decade, several graphical rules based on causal diagrams have been proposed as sufficient identification conditions for addressing selection bias and recovering causal effects. However, these simple graphical rules are typically coupled with specific identification strategies and estimators. In this article, we show two important cases of selection bias that fall outside the scope of these existing simple rules and their estimators: one case where selection is a descendant of a collider of the treatment and the outcome, and the other case where selection is affected by a mediator. To address selection bias and recover the marginal average treatment effect in these two cases, we propose an alternative set of graphical rules and construct identification formulas using g-computation and inverse probability weighting (IPW) based on single-world intervention graphs (SWIGs), leveraging external information from individuals outside the selected sample. We conduct simulation studies to verify the performance of the estimators when the traditional crude selected-sample analysis (i.e., complete-case analysis) yields erroneous conclusions that contradict the truth. We emphasize that identifying causal effects in the presence of selection bias depends critically on both the target estimand and the availability of external information.