Efficient Inference for Incremental Causal Effects of Time to Treatment
处理启动时间增量因果效应的有效推断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：摘要明确研究连续处理启动时间的强度干预及其增量因果效应。
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…
关注这篇论文的作者
处理启动时间增量因果效应的有效推断
- 研究问题
- 当处理启动时间连续变化时，干预处理启动强度会如何影响结果，如何对这种增量因果效应进行有效估计和区间推断？
- 方法与思路
- 作者定义启动强度干预对应的增量效应，推导有效影响函数，结合灵活机器学习估计，并借助经验过程理论构造置信带。
- 材料陈述的贡献
- 摘要称建立了兼容机器学习且具有快速收敛率的估计框架及有效置信带，并以模拟和宫颈癌筛查数据展示应用。
- 阅读关注点
- 应核对强度干预与效应目标的定义、时间过程和识别条件、辅助估计收敛要求，以及置信带覆盖的参数范围。
- 阅读边界
- 这是预印本，不能据此认定已同行评审或期刊接收；摘要未说明完整识别条件、删失处理及快速收敛率的具体要求。
原文摘要
We consider continuous time to treatment initiation. This can commonly occur in preventive medicine, such as disease screening and vaccination; it can also occur with non-fatal health conditions such as HIV infection without the onset of AIDS. While traditional causal inference focused on `when to treat' and its effects, we consider the incremental causal effect when the intensity of time to treatment initiation is intervened upon. We derive the efficient influence function for this estimand and develop an estimation framework that accommodates flexible machine learning methods while achieving fast convergence rates. Valid confidence bands are obtained leveraging empirical process theory. We illustrate our approach via simulation, and apply it to cervical cancer screening data to study the incremental effect of time to subsequent HPV testing on cervical intraepithelial neoplasia detection.