Randomization Inference and Sensitivity Analysis for Composite Null Hypotheses With Binary Outcomes in Matched Observational Studies
匹配观察研究中二元结局复合原假设的随机化推断与敏感性分析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。
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：摘要明确研究匹配观察数据中的因果风险差、风险比、潜在结果及未观测混杂敏感性，直接对应因果推断。
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…
匹配观察研究中二元结局复合原假设的随机化推断与敏感性分析
- 研究问题
- 在二元结局的匹配观察研究中，如何检验因果风险差、风险比等复合原假设，并评估未观测混杂的影响？
- 方法与思路
- 作者将无未观测混杂时的推断写为整数线性规划，将允许给定强度混杂时的推断写为整数二次规划问题。
- 材料陈述的贡献
- 摘要称该表述可在较大数据和匹配层中有效求解，并能考察不同潜在结果假设对推断的影响，另提供实现脚本。
- 阅读关注点
- 应核对复合原假设的约束表达、敏感性参数的含义、整数规划的精确性，以及不同潜在结果假设如何改变结论。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；混杂强度的参数化与检验有效性的详细条件未说明，不能推断普遍计算效率或刊本变化。
原文摘要
We present methods for conducting hypothesis testing and sensitivity analyses for composite null hypotheses in matched observational studies when outcomes are binary. Causal estimands discussed include the causal risk difference, causal risk ratio, and the effect ratio. We show that inference under the assumption of no unmeasured confounding can be performed by solving an integer linear program, while inference allowing for unmeasured confounding of a given strength requires solving an integer quadratic program. Through simulation studies and data examples, we demonstrate that our formulation allows these problems to be solved in an expedient manner even for large datasets and for large strata. We further exhibit that through our formulation, one can assess the impact of various assumptions about the potential outcomes on the performed inference. R scripts are provided that implement our methods. Supplementary materials for this article are available online.