Non-parametric efficient estimation of marginal structural models with multi-valued time-varying treatments
多值时变处理下边际结构模型的非参数有效估计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：摘要明确研究时变多值处理的因果效应、边际结构模型和纵向识别。
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…
多值时变处理下边际结构模型的非参数有效估计
- 研究问题
- 对于多值且随时间变化的处理，如何构造可扩展的边际结构模型非参数估计量，并获得有效推断与逐时间点的稳健性？
- 方法与思路
- 作者结合机器学习和纵向半参数效率理论，研究识别泛函的一阶 von Mises 展开、有效影响函数与效率界，据此构造估计量。
- 材料陈述的贡献
- 摘要称，在所给条件下估计量有效且渐近正态，并具有序贯双重稳健性，即各时间点结局或处理机制估计之一一致时可保持一致。
- 阅读关注点
- 应核对纵向识别条件、处理取值支持、辅助函数估计要求，以及序贯双重稳健性如何与效率条件衔接；关注流动性应用的因果解释。
- 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；摘要未列明完整效率条件、处理支持限制或疫情应用的效应数值。
原文摘要
Marginal structural models are a popular method for estimating causal effects in the presence of time-varying exposures. In spite of their popularity, no scalable non-parametric estimator exist for marginal structural models with multi-valued and time-varying treatments. In this paper, we use machine learning together with recent developments in semiparametric efficiency theory for longitudinal studies to propose such an estimator. The proposed estimator is based on a study of the non-parametric identifying functional, including first order von-Mises expansions as well as the efficient influence function and the efficiency bound. We show conditions under which the proposed estimator is efficient, asymptotically normal, and sequentially doubly robust in the sense that it is consistent if, for each time point, either the outcome or the treatment mechanism is consistently estimated. We perform a simulation study to illustrate the properties of the estimators, and present the results of our motivating study on a COVID-19 dataset studying the impact of mobility on the cumulative number of observed cases.