Data integration methods for micro-randomized trials
微随机试验的数据整合方法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：摘要明确以微随机试验中的因果偏离效应为估计对象，并研究跨试验信息整合，直接属于因果推断方法。
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…
微随机试验的数据整合方法
- 研究问题
- 已有采用类似干预的微随机试验时，如何整合这些额外信息，提高目标试验中因果偏离效应的估计效率并组合相关估计量？
- 方法与思路
- 作者提出跨微随机试验的数据整合方法，再推广多元精度加权以允许估计量之间相关，组合得到具有渐近最优性质的元估计量。
- 材料陈述的贡献
- 摘要称整合既有试验可提高统计效率，相关性调整后的组合估计具有渐近最优性，并通过模拟及两项戒烟试验案例展示方法。
- 阅读关注点
- 核对跨试验整合所需的可比性条件、目标因果效应的定义、估计量相关性的估计，以及渐近最优性所比较的估计量集合。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未核验；摘要未说明跨试验识别条件与效率增益数值，类似干预本身不保证可整合。
原文摘要
Existing statistical methods for the analysis of micro-randomized trials (MRTs) are designed to estimate causal excursion effects using data from a single MRT. In practice, however, researchers can often find previous MRTs that employ similar interventions. In this paper, we develop data integration methods that capitalize on this additional information, leading to statistical efficiency gains. To further increase efficiency, we demonstrate how to combine these approaches according to a generalization of multivariate precision weighting that allows for correlation between estimates, and we show that the resulting meta-estimator possesses an asymptotic optimality property. We illustrate our methods in simulation and in a case study involving two MRTs in the area of smoking cessation.