Incorporating Auxiliary Variables to Improve the Efficiency of Time-Varying Treatment Effect Estimation
利用辅助变量提高时变处理效应估计效率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：摘要明确研究微随机试验中的时变因果效应、效应调节和滞后处理效应。
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…
关注这篇论文的作者
利用辅助变量提高时变处理效应估计效率
- 研究问题
- 微随机试验中，如何利用预设调节变量之外的辅助测量，减少随机失衡并提高时变数字干预效应的估计效率？
- 方法与思路
- 作者提出辅助变量调整方法以一致估计时变干预效应，并将方法扩展至利用处理后辅助变量评估滞后处理效应。
- 材料陈述的贡献
- 摘要称，在特定条件下可保证局部效率提升，并通过模拟及实习医生健康研究数据分析展示该方法的用途。
- 阅读关注点
- 应核对目标效应与随机化概率的定义、效率提升条件，以及处理后辅助变量进入滞后效应估计时的识别要求。
- 阅读边界
- 所据为 arXiv 预印本，同行评审及期刊接收未核实；摘要未列出局部效率条件，不能推断任意辅助变量均有益。
原文摘要
Contextual sensing and delivery of digital interventions to improve health outcomes have gained significant traction in behavioral and psychiatric studies. Micro-randomized trials (MRTs) are a common experimental design for obtaining data-driven evidence on the effectiveness of digital interventions where each individual is repeatedly randomized to receive treatments over numerous time points. Throughout the study, individual characteristics and contextual factors around randomization are collected, with some prespecified as moderators for assessing time-varying causal effect moderation. However, many additional measurements beyond these moderators often go underutilized. Some of these may influence treatment randomization or known to strongly moderate the treatment effect. Incorporating such auxiliary information into the estimation procedure can reduce chance imbalances and improve asymptotic estimation efficiency. In this work, we propose a method to adjust for auxiliary variables in consistently estimating time-varying intervention effects. The approach can also be extended to include post-treatment auxiliary variables when evaluating lagged treatment effects. Under specific conditions, local efficiency gains are guaranteed. We demonstrate the method's utility through simulation studies and an analysis of data from the Intern Health Study (NeCamp et al., 2020).