Continuous-time targeted minimum loss-based estimation of intervention-specific mean outcomes
干预特定平均结局的连续时间目标最小损失估计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：摘要明确以时变干预效应和干预特定平均结局为目标，并构造连续时间 TMLE。
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…
干预特定平均结局的连续时间目标最小损失估计
- 研究问题
- 当干预、协变量和结局在个体特定时点发生时，如何在连续时间框架下估计时变干预对应的随访末平均结局？
- 方法与思路
- 作者采用连续时间计数过程模型，推导有效影响曲线，将目标写为强度与条件期望的泛函，并分别迭代执行 targeting 更新。
- 材料陈述的贡献
- 摘要称，所构造估计量求解有效影响曲线方程，并结合高度自适应 lasso 与一般效率定理建立渐近线性及效率。
- 阅读关注点
- 应核对干预均值的识别条件、监测过程的建模方式、影响曲线推导，以及辅助参数估计保证渐近结论的具体要求。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；“最小条件”的具体内容及因果识别条件未说明，不能据此认定方法无条件有效。
原文摘要
This paper generalizes the targeted minimum loss-based estimation (TMLE) framework to allow for estimating the effects of time-varying interventions in settings where both interventions, covariates, and outcome can happen at subject-specific time-points on an arbitrarily fine time-scale. TMLE is a general template for constructing asymptotically linear substitution estimators for smooth low-dimensional parameters in infinite-dimensional models. Existing longitudinal TMLE methods are developed for data where observations are made on a discrete time-grid. We consider a continuous-time counting process model where intensity measures track the monitoring of subjects, and focus on a low-dimensional target parameter defined as the intervention-specific mean outcome at the end of follow-up. To construct our TMLE algorithm for the given statistical estimation problem, we derive an expression for the efficient influence curve and represent the target parameter as a functional of intensities and conditional expectations. The high-dimensional nuisance parameters of our model are estimated and updated in an iterative manner according to separate targeting steps for the involved intensities and conditional expectations. The resulting estimator solves the efficient influence curve equation. We state a general efficiency theorem and describe a highly adaptive lasso estimator for nuisance parameters that allows us to establish asymptotic linearity and efficiency of our estimator under minimal conditions on the underlying statistical model.