Scalable Counterfactual Risk Estimation for Rare Events in Longitudinal Data
纵向数据中罕见事件反事实风险的可扩展估计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：摘要明确针对时变处理、生存结局和反事实风险，使用纵向因果估计框架。
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…
纵向数据中罕见事件反事实风险的可扩展估计
- 研究问题
- 在大型观察性纵向研究中，如何估计时变处理对生存结局的因果效应，同时缓解罕见结局导致的计算负担与模型不稳定？
- 方法与思路
- 作者提出纵向生存数据的子抽样与重加权策略，可嵌入迭代条件期望等现有因果估计量，并用模拟及电子健康记录队列评估。
- 材料陈述的贡献
- 摘要称该策略在保持一致性的同时降低计算负担、改善罕见结局下的稳定性，并应用于社会行为健康因素与自杀风险研究。
- 阅读关注点
- 应核对子抽样概率与权重构造、一致性所需条件、纵向处理与删失机制，以及计算节省是否包含方差估计的完整成本。
- 阅读边界
- 这是 arXiv 预印本，不能据此确认同行评审或期刊接收；摘要未说明具体因果识别假设、抽样比例或计算与精度改善的数值。
原文摘要
Estimating the causal effect of time-varying treatments on survival outcomes in large observational studies is computationally demanding, particularly when outcomes are rare. While g-formula-based methods such as the iterative conditional expectation (ICE) estimator provide a principled framework for longitudinal causal inference, they become computationally expensive, especially when bootstrap-based variance estimation is required. In addition, outcome rarity at each time point induces severe class imbalance, leading to instability and convergence issues in logistic regression and related models. To address these challenges, we propose a principled subsampling and reweighting strategy for longitudinal survival data that can be applied to a range of existing causal effect estimators in this setting, including the ICE estimator. The proposed method substantially reduces computational burden while preserving consistency and improving estimation stability in rare-outcome settings. We evaluate the method through simulations and validate it using a large-scale EHR cohort study on social and behavioral determinants of health (SBDH) and suicide risk, demonstrating its effectiveness for modeling rare outcomes in longitudinal data.