GEEPERs: Principal Stratification using Principal Scores and Stacked Estimating Equations
GEEPERs：利用主分层评分与堆叠估计方程进行主分层分析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：摘要明确研究处理后变量定义的主分层、单向不依从及分层因果效应估计，直接对应因果推断方向。
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…
GEEPERs：利用主分层评分与堆叠估计方程进行主分层分析
- 研究问题
- 当处理会影响依从性等分层变量时，如何在二元指标定义的单向不依从情形下估计主分层效应，并降低拟合与评估难度？
- 方法与思路
- 作者提出基于主分层评分与堆叠估计方程的估计方法，可用常规回归计算点估计，标准误则需要专门的三明治估计量。
- 材料陈述的贡献
- 摘要称该方法不依赖分布假设，模拟显示相对常用替代方法更稳健，并通过真实数据分析说明主分层效应估计的应用。
- 阅读关注点
- 应核对主分层效应如何识别、单向不依从与二元指标的限制，以及主分层评分模型和堆叠方程如何影响估计与标准误。
- 阅读边界
- 这是 arXiv 预印本，同行评审与接收未核实；不依赖分布假设仍可能需要识别和模型条件，摘要未说明这些条件或稳健性的具体范围。
原文摘要
Principal stratification is a framework for making sense of causal effects conditioned on variables that may themselves have been affected by the treatment. For instance, in an evaluation of an educational intervention, some subjects in the treatment group may not fully utilize the intervention, and researchers may be interested in how this subgroup is affected. Most principal stratification estimators rely on strong structural or modeling assumptions and often require advanced statistical training to fit and evaluate, making them inaccessible to many applied researchers. In this paper, we introduce a new principal effect estimator for one-way noncompliance based on a binary indicator. Estimates may be computed using conventional regression methods (though the standard errors require a specialized sandwich estimator) and do not rely on distributional assumptions. We present a simulation study that demonstrates the novel method's greater robustness compared to popular alternatives and illustrate the method through a real-data analysis.