One-Step weighting to generalize and transport treatment effect estimates to a target population
将处理效应推广和迁移至目标总体的一步加权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向目标总体的推广与迁移，以及目标平均处理效应的加权估计。
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…
将处理效应推广和迁移至目标总体的一步加权
- 研究问题
- 如何将实验或观测研究中的处理效应推广或迁移至目标总体，并避免分别估计处理分配和研究入选概率再组合权重？
- 方法与思路
- 作者提出一次构造权重的方法，建立其与逆概率及逆优势加权的形式联系，并用于估计目标总体平均处理效应。
- 材料陈述的贡献
- 摘要称估计量具有一致性、渐近正态性、多重稳健性和半参数效率，并提供模拟、医疗案例及方法实现的 R 代码。
- 阅读关注点
- 应核对推广与迁移分别需要哪些条件、多重稳健性覆盖哪些模型组合，以及效率结论依赖的函数估计和重叠条件。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未核实。摘要未列出理论结论的具体条件，也未提供模拟及医疗案例的数值结果。
原文摘要
The problem of generalization and transportation of treatment effect estimates from a study sample to a target population is central to empirical research and statistical methodology. In both randomized experiments and observational studies, weighting methods are often used with this objective. Traditional methods construct the weights by separately modeling the treatment assignment and study selection probabilities and then multiplying functions (e.g., inverses) of their estimates. In this work, we provide a justification and an implementation for weighting in a single step. We show a formal connection between this one-step method and inverse probability and inverse odds weighting. We demonstrate that the resulting estimator for the target average treatment effect is consistent, asymptotically Normal, multiply robust, and semiparametrically efficient. We evaluate the performance of the one-step estimator in a simulation study. We illustrate its use in a case study on the effects of physician racial diversity on preventive healthcare utilization among Black men in California. We provide R code implementing the methodology.