Niwen Zhou and Xu Guo’s Contribution to the Discussion of ‘Assumption-Lean Inference for Generalised Linear Model Parameters’ by Vansteelandt and Dukes
周倪文与郭旭对《广义线性模型参数的少假设推断》的讨论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。
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：文本明确比较加权平均处理效应与经典平均处理效应的扩展，并讨论暴露效应异质性。
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…
关注这篇论文的作者
周倪文与郭旭对《广义线性模型参数的少假设推断》的讨论
- 研究问题
- 当暴露效应随协变量变化或工作模型失效时，如何定义仍有条件关联解释的目标量，并理解其与平均处理效应类目标量的关系？
- 方法与思路
- 这篇讨论提出相关的新目标量，允许暴露与协变量交互，并讨论模型成立时的平均暴露效应解释；另建议未来向条件分位数扩展。
- 材料陈述的贡献
- 讨论摘要称新目标量在允许效应异质性的模型中度量平均暴露效应，模型失效时仍描述条件关联，并说明其与原文目标量的区别。
- 阅读关注点
- 应核对讨论中的完整目标量定义、比值与期望的运算顺序、异质性模型条件，以及关联解释转为因果解释是否需要额外假设。
- 阅读边界
- 这是讨论文章的索引摘要，并非被讨论主论文；提取文本的函数符号与模型编号不完整，需查原PDF，不能据此重构公式或认定已建立分位数方法。
原文摘要
We thank Professors Vansteelandt and Dukes for their innovative and stimulating paper. They introduce a new estimand which reduces to the exposure effect parameter when the (semi)parametric model holds, is generic for continuous or discrete exposure, and still captures conditional association when model assumption fails. We make some additional understanding of the new estimand and introduce a related new estimand. Here we consider the expectation of the ratio. Here β· and ω· are unknown functions. Different from the model (4) in Vansteelandt and Dukes (2021), we now allow A–L interaction, and extend to the exposure effect heterogeneity setting, with respect to L. While under model (1), γ=Eβ(L), which measures the average exposure effect. When there is no exposure effect heterogeneity, i.e. β(L)≡β, γ reduces to β as the estimand in Vansteelandt and Dukes (2021). Even when the model fails, the estimand γ is still meaningful to capture conditional association. Clearly, the new estimand in Vansteelandt and Dukes (2021) can be viewed as an extension of weighted average treatment effect; while our new estimand is an extension of the classical average treatment effect. Lastly, current literature only focus on the conditional expectation of the exposures, which is sensitive to outliers. Conditional quantile can provide a more robust and complete view of the association between response and exposure. Thus it would be very interesting to extend the insightful idea in Vansteelandt and Dukes (2021) to quantile setting.