Quantifying Treatment Effects: Estimating Risk Ratios in Causal Inference
量化处理效应：因果推断中的风险比估计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。
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：摘要直接研究随机试验与观察性研究中的因果风险比及双重稳健估计。
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…
量化处理效应：因果推断中的风险比估计
- 研究问题
- 如何在随机试验和观察性数据中估计处理的风险比，并利用分配概率估计、协变量调整及双重稳健方法改善其统计性质？
- 方法与思路
- 作者构造风险比的加权、结局建模及双重稳健估计量，进行渐近与有限样本分析，并借助半参数理论研究方差性质。
- 材料陈述的贡献
- 摘要称，随机试验中估计分配概率或调整协变量可降低渐近方差，并提出两种双重稳健估计量，声称具有相应最小方差性质。
- 阅读关注点
- 应核对风险比目标、分母风险的限制、观察性数据识别要求，以及双重稳健成立条件和最小方差结论所针对的估计器类别。
- 阅读边界
- 这是 arXiv 预印本，同行评审或接收未核实；摘要未给出有限样本界和完整效率条件，方差改善及最优性不能无条件推广。
原文摘要
Randomized Controlled Trials (RCT) are the current gold standards to empirically measure the effect of a new drug. However, they may be of limited size and resorting to complementary non-randomized data, referred to as observational, is promising, as additional sources of evidence. In both RCT and observational data, the Risk Difference (RD) is often used to characterize the effect of a drug. Additionally, medical guidelines recommend to also report the Risk Ratio (RR), which may provide a different comprehension of the effect of the same drug. While different methods have been proposed and studied to estimate the RD, few methods exist to estimate the RR. In this paper, we propose estimators of the RR both in RCT and observational data and provide both asymptotical and finite-sample analyses. We show that, even in an RCT, estimating treatment allocation probability or adjusting for covariates leads to lower asymptotic variance. In observational studies, we propose weighting and outcome modeling estimators and derive their asymptotic bias and variance for well-specified models. Using semi-parametric theory, we define two doubly robusts estimators with minimal variances among unbiased estimators. We support our theoretical analysis with empirical evaluations and illustrate our findings through experiments.