Complier General Causal Effect in Randomized Controlled Trials with One-Sided Noncompliance
单侧不依从随机对照试验中的依从者一般因果效应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：摘要明确研究随机试验单侧不依从下的因果效应识别与有效估计，直接对应因果推断细分方向。
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
单侧不依从随机对照试验中的依从者一般因果效应
- 研究问题
- 随机对照试验存在单侧不依从时，哪些因果对象能从似然中识别，如何构造依从者一般因果效应的有效估计？
- 方法与思路
- 作者先分析基于似然的可识别性，再定义依从者一般因果效应，并提出无需非参数步骤的简单估计量和半参数有效估计量。
- 材料陈述的贡献
- 摘要称，有效估计仅要求辅助估计量在 L₂ 范数下收敛，不限制其收敛速率，并通过模拟与真实数据比较所提方法。
- 阅读关注点
- 应核对效应对象与常见依从者效应的关系、单侧不依从及识别条件，以及无速率限制结论仍需满足的其他要求。
- 阅读边界
- 所据为 arXiv 预印本，不能据此认定已同行评审或获期刊接收；摘要未定义该效应的具体形式，也未列出效率结论的完整条件。
原文摘要
A randomized controlled trial (RCT) is widely regarded as the gold standard for assessing the causal effect of a treatment or intervention, assuming perfect implementation. In practice, however, randomization can be compromised for various reasons, such as one-sided noncompliance. In this paper, we first systematically study the likelihood-based identifiability in an RCT with one-sided noncompliance. This foundational analysis naturally gives rise to the complier general causal effect (CGCE) as the primary estimand. We further develop two estimators for the CGCE: a simple estimator that requires no nonparametric procedures, and an efficient estimator that achieves the semiparametric efficiency bound. Our theoretical analysis shows that, achieving semiparametric efficiency requires only the nuisance estimators to converge in $L_2$-norm, with no restriction on their convergence rates. This rate-free property opens the door to employing many more modern machine learning methods while still guaranteeing efficiency. Comprehensive simulation studies and a real data application are conducted to illustrate the proposed methods and to compare them with existing approaches.