Estimator-Aligned Prospective Sample Size Determination for Designs Using Inverse Probability of Treatment Weighting
与估计量匹配的逆概率处理加权前瞻性样本量设计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：摘要针对观察性研究中的逆概率处理加权因果估计与边际结构模型进行样本量设计。
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…
与估计量匹配的逆概率处理加权前瞻性样本量设计
- 研究问题
- 观察性研究规划样本量时，如何纳入倾向得分估计和随机权重带来的变异，使功效设计与最终使用的 IPTW 估计量一致？
- 方法与思路
- 作者用 GEE 和堆叠 M 估计联合倾向得分模型与边际结构模型，通过先导样本估计渐近方差因子，并用 bootstrap 稳定化。
- 材料陈述的贡献
- 摘要称，该框架统一处理二元、计数及连续结局，模拟显示在权重不稳定、结局稀疏或重尾情形下改善传统公式的功效校准。
- 阅读关注点
- 应核对堆叠方程的方差推导、先导样本代表性、bootstrap 对两类变异的处理，以及样本量公式与目标因果估计量的对应。
- 阅读边界
- 这是 arXiv 预印本，同行评审与期刊接收未经核实；摘要未说明识别与模型条件，渐近方差设计也不直接保证实际有限样本功效。
原文摘要
In observational studies, accurately characterizing variance is critical for sample size determination, yet unaccounted-for variability from propensity score estimation and the resulting weights limit the accuracy of standard variance approximations for design. Existing approaches often rely on heuristics or randomized controlled trial (RCT) formulas that treat weights as fixed, potentially misaligning prospective design with the causal estimator used at analysis. We propose an estimator-aligned framework for prospective sample size determination based on generalized estimating equations (GEE) and stacked M-estimation. By merging the propensity score model and marginal structural model (MSM) into a single system of estimating equations, the method propagates nuisance-model uncertainty and directly targets the large-sample variance of the IPTW estimator. For study planning, we estimate a pilot-based large-sample variance factor and introduce a bootstrap stabilization procedure that accounts for both within- and between-pilot variability. The framework applies uniformly across binary, count, and continuous outcomes through link-specific GEE representations under a common design principle. Simulation studies motivated by post-marketing safety and healthcare cost applications demonstrate that anchoring design to this variance improves power calibration relative to conventional RCT-style formulas, particularly in settings with weight instability, outcome sparsity, or heavy-tailed variability.