Principal stratification with U-statistics under principal ignorability
主分层可忽略性下基于 U 统计量的主分层推断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：摘要明确在主分层框架下定义和识别广义因果效应，并推导稳健估计方法，直接对应中间变量存在时的因果推断。
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…
关注这篇论文的作者
主分层可忽略性下基于 U 统计量的主分层推断
- 研究问题
- 存在二元中间变量时，如何在主分层内比较潜在结果的相对排序，并将传统平均处理效应扩展为适合序数结局与胜负比较的因果参数？
- 方法与思路
- 作者在主分层可忽略性下引入非线性对比参数，推导非参数识别与有效影响函数，并据此构造多重稳健及交叉拟合 U 统计量估计。
- 材料陈述的贡献
- 摘要称该框架扩展主分层因果参数的范围，提供概率尺度的概括，并为有效去偏机器学习估计奠定基础，以模拟和数据例子展示。
- 阅读关注点
- 应核对主分层可忽略性的具体形式、非线性对比的识别表达、多重稳健的模型组合，以及交叉拟合和效率结论的条件。
- 阅读边界
- 所据为 arXiv 预印本，同行评审及期刊接收未经核实；摘要未列出完整识别假设或机器学习收敛要求，不能判断实际稳健性范围。
原文摘要
Principal stratification is a popular framework for causal inference in the presence of an intermediate outcome. While the principal average treatment effects are the standard target of inference, they may be insufficient when interest lies in the relative ordering of potential outcomes within a principal stratum. We introduce the principal generalized causal effect estimands to accommodate nonlinear contrast functions, providing robust, probability-scale summaries suitable for ordinal outcomes and win-loss comparisons with composite endpoints. Under principal ignorability, we expand the theoretical results in Jiang et al. (2022, JRSSB) to a broader class of causal estimands in the presence of a binary intermediate variable. We develop nonparametric identification results and derive efficient influence functions for the generalized causal estimands in principal stratification analyses. These efficient influence functions motivate multiply robust estimators and lay the ground for obtaining efficient debiased machine learning estimators via cross-fitting based on U-statistics. The proposed methods are illustrated through simulations and the analysis of a data example.