Valid and Efficient Two-Stage Latent Subgroup Analysis with Observational Data
观测数据中有效且高效的两阶段潜在子组分析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：摘要直接研究观测数据中调整混杂后的潜在子组处理效应及其有效推断。
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
观测数据中有效且高效的两阶段潜在子组分析
- 研究问题
- 当子组由不完全测量推断且存在大量混杂变量时，两阶段处理效应分析能容忍多大成员误分类，如何达到该误分类要求？
- 方法与思路
- 作者针对二元题项响应推断的潜在子组，分析可容忍误分类率，并利用谱方法和大量题项构造支持高维混杂调整的两阶段程序。
- 材料陈述的贡献
- 摘要称方法计算高效、对无信息题项稳健，并在观测研究中实现潜在子组效应的一致估计和有效推断，以教育数据示范。
- 阅读关注点
- 应核对子组可识别性、误分类率阈值及题项数量要求，以及混杂调整条件和第一阶段成员估计误差如何进入第二阶段推断。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要未说明阈值、题项依赖条件和因果识别假设，不能判断实际数据能否满足。
原文摘要
Subgroup analysis evaluates treatment effects across multiple sub-populations. When subgroups are defined by latent memberships inferred from imperfect measurements, the analysis typically involves two inter-connected models, a latent class model and a subgroup outcome model. The classical one-stage framework, which models the joint distribution of the two models, may be infeasible with observational data containing many confounders. The two-stage framework, which first estimates the latent class model and then performs subgroup analysis using estimated latent memberships, can accommodate potential confounders but may suffer from bias issues due to misclassification of latent subgroup memberships. This paper focuses on latent subgroups inferred from binary item responses and addresses when and how a valid two-stage latent subgroup analysis can be made with observational data. We investigate the maximum misclassification rate that a valid two-stage framework can tolerate. Introducing a spectral method perspective, we propose a two-stage approach to achieve the desired misclassification rate with the blessing of many item responses. Our method accommodates high-dimensional confounders, is computationally efficient and robust to noninformative items. In observational studies, our methods lead to consistent estimation and valid inference on latent subgroup effects. We demonstrate its merit through simulation studies and an application to educational assessment data.