Continuous Treatment Effects with Surrogate Outcomes
利用替代结局估计连续处理效应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：摘要直接研究连续处理的因果效应，并通过替代结局和双重稳健估计应对主要结局缺失问题。
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
利用替代结局估计连续处理效应
- 研究问题
- 当主要结局部分缺失且缺失与协变量相关时，如何借助完全观测的处理后替代结局，估计连续处理效应并改善精度？
- 方法与思路
- 作者提出双重稳健方法，将有主要结局标签和无标签的数据共同纳入分析，利用替代结局补充信息并处理所述选择偏误。
- 材料陈述的贡献
- 摘要称建立估计量的渐近正态性，展示相较仅使用有标签数据的方法可能降低方差，并通过广泛模拟考察有限样本表现。
- 阅读关注点
- 应核对结局缺失与处理分配的识别条件、替代结局的使用方式、双重稳健对应的模型，以及方差改善与渐近正态性的条件。
- 阅读边界
- 这是 arXiv 预印本，不能据此确认同行评审或期刊接收；摘要未说明具体识别和稳健性条件，不能推断任意缺失机制均可处理。
原文摘要
In many real-world causal inference applications, the primary outcomes (labels) are often partially missing, especially if they are expensive or difficult to collect. If the missingness depends on covariates (i.e., missingness is not completely at random), analyses based on fully observed samples alone may be biased. Incorporating surrogates, which are fully observed post-treatment variables related to the primary outcome, can improve estimation in this case. In this paper, we study the role of surrogates in estimating continuous treatment effects and propose a doubly robust method to efficiently incorporate surrogates in the analysis, which uses both labeled and unlabeled data and does not suffer from the above selection bias problem. Importantly, we establish the asymptotic normality of the proposed estimator and show possible improvements on the variance compared with methods that solely use labeled data. Extensive simulations show our methods enjoy appealing empirical performance.