Causal Inference for Preprocessed Outcomes with an Application to Functional Connectivity
预处理结局的因果推断及其在功能连接中的应用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：摘要直接讨论派生结局的因果参数、中介分析和自然直接效应。
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…
预处理结局的因果推断及其在功能连接中的应用
- 研究问题
- 个体内部重复测量经过预处理后形成的代理结局，如何支持个体之间的因果分析，并处理两阶段建模带来的不确定性？
- 方法与思路
- 作者建立模块化半参数框架，在个体内外模型的收敛速度条件下构造多重稳健估计量，并用逐步下降程序开展高维推断。
- 材料陈述的贡献
- 摘要称，该框架允许灵活机器学习，扩展至中介分析中的自然直接效应，并用于估计兴奋剂药物对自闭症儿童脑连接的影响。
- 阅读关注点
- 应核对代理结局与科学结局的联系、两阶段误差如何传播、自然直接效应的识别条件，以及错误发现比例超越率的控制方式。
- 阅读边界
- 这是预印本，同行评审或期刊接收未核实。摘要未说明具体识别假设和收敛速度要求，模拟表现不能直接保证应用中的因果解释。
原文摘要
In biomedical research, repeated measurements within each subject are often processed to remove artifacts and unwanted sources of variation. The resulting data are used to construct derived outcomes that act as proxies for scientific outcomes that are not directly observable. Although intra-subject processing is widely used, its impact on inter-subject statistical inference has not been systematically studied, and a principled framework for causal analysis in this setting is lacking. In this article, we propose a semiparametric framework for causal inference with derived outcomes obtained after intra-subject processing. This framework applies to settings with a modular structure, where intra-subject analyses are conducted independently across subjects and are followed by inter-subject analyses based on parameters from the intra-subject stage. We develop multiply robust estimators of causal parameters under rate conditions on both intra-subject and inter-subject models, which allows the use of flexible machine learning. We specialize the framework to a mediation setting and focus on the natural direct effect. For high dimensional inference, we employ a step-down procedure that controls the exceedance rate of the false discovery proportion. Simulation studies demonstrate the superior performance of the proposed approach. We apply our method to estimate the impact of stimulant medication on brain connectivity in children with autism spectrum disorder.