Causal Effect Estimation with TMLE: Handling Missing Data and Near-Violations of Positivity
TMLE 因果效应估计：缺失数据与近正值性违背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：摘要直接比较缺失数据与正值性问题下平均处理效应的 TMLE 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…
TMLE 因果效应估计：缺失数据与近正值性违背
- 研究问题
- 当暴露、结局或混杂变量缺失且正值性接近违背时，不同缺失数据处理方法结合 TMLE 后，平均处理效应估计表现如何？
- 方法与思路
- 作者采用模型式与基于实际数据设计的模拟，设置五类缺失机制图，比较八种缺失处理方法结合 TMLE 的估计表现。
- 材料陈述的贡献
- 摘要称特定完整案例 TMLE 方案偏差较低、对正值性违背更稳健；CART 多重插补均方根误差较低且常维持名义覆盖率。
- 阅读关注点
- 应核对各缺失图下目标效应的可识别性、完整案例方案的条件，以及正值性程度、偏差、误差和覆盖率的比较设置。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收均未核实；摘要未给出全部机制与识别条件，模拟中的方法建议不能直接推广至任意缺失过程。
原文摘要
We evaluate the performance of targeted maximum likelihood estimation (TMLE) for estimating the average treatment effect in missing data scenarios under varying levels of positivity violations. We employ model- and design-based simulations, with the latter using undersmoothed highly adaptive lasso on the 'WASH Benefits Bangladesh' dataset to mimic real-world complexities. Five missingness-directed acyclic graphs are considered, capturing common missing data mechanisms in epidemiological research, particularly in one-point exposure studies. These mechanisms include also not-at-random missingness in the exposure, outcome, and confounders. We compare eight missing data methods in conjunction with TMLE as the analysis method, distinguishing between non-multiple imputation (non-MI) and multiple imputation (MI) approaches. The MI approaches use both parametric and machine-learning models. Results show that non-MI methods, particularly complete cases with TMLE incorporating an outcome-missingness model, exhibit lower bias compared to all other evaluated missing data methods and greater robustness against positivity violations across. In Comparison MI with classification and regression trees (CART) achieve lower root mean squared error, while often maintaining nominal coverage rates. Our findings highlight the trade-offs between bias and coverage, and we recommend using complete cases with TMLE incorporating an outcome-missingness model for bias reduction and MI CART when accurate confidence intervals are the priority.