Efficient nonparametric estimation of causal effects in randomized trials with noncompliance
存在不依从的随机试验中因果效应的高效非参数估计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。
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：摘要明确以潜在结果和工具变量方法处理随机试验不依从下的因果效应。
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…
存在不依从的随机试验中因果效应的高效非参数估计
- 研究问题
- 随机临床试验中受试者不遵从分配治疗时，如何利用结果分布的混合结构估计因果治疗效应并提高有限样本效率？
- 方法与思路
- 作者在潜在结果框架下，用经验似然构造剖面随机筛似然，纳入结果分布的混合结构，适用于多种结果尺度。
- 材料陈述的贡献
- 摘要称估计量减弱对参数分布假设的依赖，相对标准工具变量估计有有限样本效率收益，但二者渐近等价。
- 阅读关注点
- 应核对因果效应的目标定义、识别不依从所需假设、混合结构的作用，以及有限样本收益的比较设计。
- 阅读边界
- 依据版本未注明的 OpenAlex 索引摘要；摘要未说明完整识别条件或效率收益数值，不能认定在所有不依从试验中更优或推断刊本变化。
原文摘要
Causal approaches based on the potential outcome framework provide a useful tool for addressing noncompliance problems in randomized trials. We propose a new estimator of causal treatment effects in randomized clinical trials with noncompliance. We use the empirical likelihood approach to construct a profile random sieve likelihood and take into account the mixture structure in outcome distributions, so that our estimator is robust to parametric distribution assumptions and provides substantial finite-sample efficiency gains over the standard instrumental variable estimator. Our estimator is asymptotically equivalent to the standard instrumental variable estimator, and it can be applied to outcome variables with a continuous, ordinal or binary scale. We apply our method to data from a randomized trial of an intervention to improve the treatment of depression among depressed elderly patients in primary care practices.