Heterogeneous Quantile Treatment Effect Estimation for Longitudinal Data with High-Dimensional Confounding-v2
高维混杂下纵向数据的异质性分位数处理效应估计（第二版）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：摘要明确研究处理效应、异质性分位数和个体内纵向重复测量，分别对应因果推断、分布效应与面板数据方向。
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…
高维混杂下纵向数据的异质性分位数处理效应估计（第二版）
- 研究问题
- 面对高维混杂、重尾结果和个体内重复测量相关性，如何估计随患者基线特征变化的纵向分位数处理效应？
- 方法与思路
- 作者结合卷积平滑分位数回归与正交随机森林，构建异质性分位数效应估计框架，以降低辅助参数估计误差的影响。
- 材料陈述的贡献
- 摘要称方法同时刻画协变量相关的效应异质性与分位数效应，建立理论性质，并通过模拟和肺癌治疗研究展示表现。
- 阅读关注点
- 全文应核对分位数效应的定义与识别条件、重复测量相关性的处理，以及平滑参数、森林训练和辅助模型的误差要求。
- 阅读边界
- 题名标注 v2，本资料为 arXiv 预印本，同行评审或接收未经核实；摘要未说明前版改动、完整识别条件和理论收敛率。
原文摘要
Causal inference plays a fundamental role in various real-world applications. However, in the motivating non-small cell lung cancer (NSCLC) study, it is challenging to estimate the treatment effect of chemotherapy on circulating tumor DNA (ctDNA). First, the heterogeneous treatment effects vary across patient subgroups defined by baseline characteristics. Second, there exists a broad set of demographic, clinical and molecular variables act as potential confounders. Third, ctDNA trajectories over time show heavy-tailed non-Gaussian behavior. Finally, repeated measurements within subjects introduce unknown correlation. Combining convolution-smoothed quantile regression and orthogonal random forest, we propose a framework to estimate heterogeneous quantile treatment effects in the presence of high-dimensional confounding, which not only captures effect heterogeneity across covariates, but also behaves robustly to nuisance parameter estimation error. We establish the theoretical properties of the proposed estimator and demonstrate its finite-sample performance through comprehensive simulations. We illustrate its practical utility in the motivated NSCLC study.