Estimating Longitudinal Causal Effects with Unobserved Noncompliance Using a Semi-Parametric G-computation Algorithm
用半参数 G 计算估计依从性不可观测时的纵向因果效应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：摘要直接研究纵向处理效应、不可观测依从性及 G 计算中的混杂调整。
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…
用半参数 G 计算估计依从性不可观测时的纵向因果效应
- 研究问题
- 在纵向随机试验中，若处理依从性不可观测且混杂变量的完整密度难以正确设定，如何构建可用的因果效应估计程序？
- 方法与思路
- 作者用与依从性相关的生物标志物模型生成概率权重，仅参数化混杂变量的条件均值，再通过预测均值匹配生成 G 计算所需数据。
- 材料陈述的贡献
- 摘要提出结合依从性概率权重与半参数混杂变量生成的 G 计算方法，并在不同模拟条件及低尼古丁香烟试验中比较多种估计量。
- 阅读关注点
- 应核对生物标志物如何识别依从性、概率权重如何进入目标效应估计，以及条件均值设定和预测均值匹配对有效性的要求。
- 阅读边界
- 这是 arXiv 预印本，不能据此认定已同行评审或期刊接收；摘要未说明完整识别条件，也未报告各方法的比较数值。
原文摘要
Participant noncompliance, in which participants do not follow their assigned treatment protocol, often obscures the causal relationship between treatment and treatment effect in randomized trials. In the longitudinal setting, the G-computation algorithm can adjust for confounding to estimate causal effects. Typically, G-computation assumes that both 1) compliance is observed; and 2) the densities of the confounders can be correctly specified. We aim to develop a G-computation estimator in the setting where both assumptions are violated. For 1), in place of unobserved compliance, we substitute in probability weights derived from modeling a biomarker associated with compliance. For 2), we fit semiparametric models using predictive mean matching. Specifically, we parametrically specify only the conditional mean of the confounders, and then use predictive mean matching to randomly generate confounder data for G-computation. In both the simulation and application, we compare multiple causal estimators already established in the literature with those derived from our method. For the simulation, we generated data across different sample sizes and levels of confounding. For the application, we apply our method to a trial that sought to evaluate the effect of cigarettes with low nicotine on cigarette consumption (Center for the Evaluation of Nicotine in Cigarettes Project 2 - CENIC-P2).