Unbiased and Efficient Estimation of Causal Treatment Effects in Cross-over Trials
交叉试验中因果处理效应的无偏与高效估计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。
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：摘要直接讨论交叉试验的因果处理效应、识别假设与 G-computation，属于因果推断；重复测量本身不足以归入面板。
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…
交叉试验中因果处理效应的无偏与高效估计
- 研究问题
- 交叉试验尤其是全面 QT 研究中，工作回归模型未正确描述数据生成机制时，能否仍无偏估计因果处理效应？
- 方法与思路
- 作者讨论不同因果假设，并将 G-computation 与工作回归的加权最小二乘预测结合，以估计目标处理效应。
- 材料陈述的贡献
- 摘要称，在若干要求下广泛的高斯线性混合工作模型仍可无偏；所设模拟中，调整基线 QTc 的模型表现相近。
- 阅读关注点
- 应核对不同假设组、工作回归和权重矩阵要求，以及基线调整模型表现相近的模拟设定与效率评价指标。
- 阅读边界
- 这是 arXiv 预印本，不能据此认定已同行评审或期刊接收；摘要未列出具体要求，模拟发现不能视为普遍效率结论。
原文摘要
We introduce causal inference reasoning to cross-over trials, with a focus on Thorough QT (TQT) studies. For such trials, we propose different sets of assumptions and consider their impact on the modelling strategy and estimation procedure. We show that unbiased estimates of a causal treatment effect are obtained by a G-computation approach in combination with weighted least squares predictions from a working regression model. Only a few natural requirements on the working regression and weighting matrix are needed for the result to hold. It follows that a large class of Gaussian linear mixed working models lead to unbiased estimates of a causal treatment effect, even if they do not capture the true data generating mechanism. We compare a range of working regression models in a simulation study where data are simulated from a complex data generating mechanism with input parameters estimated on a real TQT data set. In this setting, we find that for all practical purposes working models adjusting for baseline QTc measurements have comparable performance. Specifically, this is observed for working models that are by default too simplistic to capture the true data generating mechanism. Cross-over trials and particularly TQT studies can be analysed efficiently using simple working regression models without biasing the estimates for the causal parameters of interest.