Clustering Informed Inverse Probability Weighting Strategies for Causal Effect Estimation in Observational Studies
利用聚类信息的逆概率加权因果效应估计策略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：摘要以倾向得分、逆概率加权和剂量反应因果效应估计为核心。
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…
利用聚类信息的逆概率加权因果效应估计策略
- 研究问题
- 观察性研究中处理分配存在异质性或倾向得分遗漏协变量时，聚类信息能否改善逆概率加权估计的偏差、均方误差与覆盖？
- 方法与思路
- 作者比较标准 IPW、聚类内分别拟合倾向得分，以及在全局模型中加入估计簇标签，并在模拟和乳腺癌剂量反应分析中评估。
- 材料陈述的贡献
- 摘要称，两种聚类策略在所考察遗漏变量情形下减少偏差和均方误差，但没有一致占优的方法，表现取决于簇结构和样本规模。
- 阅读关注点
- 应核对聚类使用哪些变量、簇标签估计如何进入不确定性计算，以及重叠性、模型误设和连续剂量因果解释所需的条件。
- 阅读边界
- 所据为 arXiv 预印本，不能确认同行评审或期刊接收；模拟改善不能证明聚类消除未观测混杂，摘要未说明完整识别条件。
原文摘要
Inverse probability weighting (IPW) is widely used to estimate causal effects in observational studies but depends on adequate propensity-score specification. We compare three strategies for addressing treatment assignment heterogeneity: standard IPW, clustering augmented IPW with cluster specific propensity score models, and a global propensity score model including estimated cluster membership as a covariate. Through simulations with and without latent cluster structure and under correctly specified and omitted covariate propensity score models, we evaluate bias, mean squared error (MSE), and confidence interval coverage across sample sizes of 100 to 500. Both cluster informed strategies reduced bias and MSE from omitted covariate misspecification relative to standard IPW, but neither uniformly dominated: clustering augmented IPW achieved lower MSE when latent cluster structure was present, whereas the global model generally provided lower bias and better coverage at smaller sample sizes. We also apply the methods to 966 breast cancer patients treated with carboplatin, using generalized propensity scores to estimate the dose response relationship between treatment cycles and hypersensitivity reaction risk. Standard and clustered analyses produced similar pooled estimates, while clustering additionally provided subgroup specific estimates and diagnostic profiles. Overall, cluster informed strategies may improve robustness to propensity score misspecification, with relative performance depending on subgroup structure, sample size, and inferential priorities.