Formalization and consistency of clone-censor-weight
克隆—删失—加权方法的形式化与一致性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：摘要明确围绕目标试验模拟、随机干预和观察性数据中的因果效应识别展开。
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…
关注这篇论文的作者
克隆—删失—加权方法的形式化与一致性
- 研究问题
- 在目标试验模拟中，当处理策略在基线时不可区分且依从定义复杂时，克隆—删失—加权方法究竟估计什么因果对象？
- 方法与思路
- 作者利用容许集合与随机干预对该方法进行统计形式化，刻画其目标因果估计对象，并研究估计一致性和自助法推断。
- 材料陈述的贡献
- 摘要称明确了该方法的因果目标，在标准识别假设下建立估计量一致性，并为基于自助法的推断提供理论保证。
- 阅读关注点
- 核对容许集合与随机干预的定义、具体识别条件，以及克隆、删失和加权步骤如何对应估计目标及自助法程序。
- 阅读边界
- 这是arXiv预印本，不能据此声称已同行评审或期刊接收；摘要未列出具体识别条件、自助法构造或理论适用范围。
原文摘要
Target trial emulation has become a standard framework for causal inference from observational data. Within this paradigm, the clone-censor-weight (CCW) methodology provides a practical way to deal with complex treatment and adherence definitions when treatment regimes are not distinguishable at baseline. Despite its increasing use, the statistical interpretation of CCW remains limited. In this work, we formalize the CCW methodology from a statistical viewpoint based on admissible sets and stochastic interventions. We characterize the causal estimands targeted by CCW, establish consistency of CCW estimators under standard identification assumptions, and provide theoretical guarantees for bootstrap-based inference methods.