A Capture-Recapture Approach to Enhance Treatment Effect Evaluation in an Observational Cohort
利用捕获—再捕获方法改进观察队列中的处理效应评估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：摘要直接研究融合观察队列和随机试验的目标人群处理效应估计与推广。
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…
利用捕获—再捕获方法改进观察队列中的处理效应评估
- 研究问题
- 如何结合观察队列与小规模代表性随机试验，在符合试验资格的目标人群中更有效地比较二元和连续结局的处理响应？
- 方法与思路
- 作者扩展锚定流捕获—再捕获设计，以多项分布最大似然构造二元结局估计量，并提出连续结局的直接标准化型估计。
- 材料陈述的贡献
- 摘要称所提估计量在该设计下改善有效性和效率，并分别建议定制贝叶斯可信区间与自助百分位区间，展示疫苗抗体响应应用。
- 阅读关注点
- 应核对代表性试验与队列的抽样及重叠机制、目标人群定义、估计量识别条件，以及两类区间的覆盖率证据。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收均未核实；摘要未给出具体抽样假设、效率增益或覆盖率，不能推广到任意队列与试验组合。
原文摘要
We extend recently proposed design-based capture-recapture (CRC) methods for prevalence estimation among registry participants, in order to enhance treatment effect evaluation among a trial-eligible target population. The so-called ``anchor stream design" for CRC analysis integrates an observational study cohort with a randomized trial involving a small representative study sample, and enhances the generalizability and transportability of CRC findings. We show that a novel CRC-type estimator derived via multinomial distribution-based maximum-likelihood further exploits the design to deliver benefits in terms of validity and efficiency for comparing the effects of two treatments on a binary outcome. The design also unlocks a direct standardization-type estimator that allows efficient estimation of general means (e.g., for continuous outcomes such as biomarker levels) under a specific treatment. This provides an avenue to compare treatment responses within the target population in a more comprehensive manner. For inference, we recommend using a tailored Bayesian credible interval approach to improve coverage properties in conjunction with the proposed CRC estimator when estimating binary treatment effects, and a bootstrap percentile interval approach for use with continuous outcomes. Simulations demonstrate the validity and efficiency of the proposed estimators under the CRC design. Finally, we present an illustrative data application comparing Anti-S Antibody seropositive response rates for two major Covid-19 vaccines using an observational cohort from Tunisia.