Transportability of Principal Causal Effects
主层因果效应的可迁移性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：摘要直接研究治疗不依从下主层因果效应的识别、估计及跨总体迁移。
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…
主层因果效应的可迁移性
- 研究问题
- 存在治疗不依从时，如何把试验结果迁移到目标总体，并针对特定依从行为的主层定义和识别效应，避免仅报告混合依从行为的意向治疗效应？
- 方法与思路
- 作者构建同时考虑依从行为与目标总体成员身份的主层框架，推导迁移后主层因果效应的非参数效率理论，构造有效率估计量并进行模拟。
- 材料陈述的贡献
- 摘要称，该框架支持迁移后主层因果效应的识别及有效率估计，并可扩展到目标总体中临床相关、可能不可直接观测的子群效应。
- 阅读关注点
- 应核对目标主层和效应的精确定义、试验与目标总体间的连接条件，以及部分潜在依从行为如何处理；还需检查效率界和有限样本表现。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未获核实；摘要未明确识别假设与所需数据，不能判断潜在主层效应在具体应用中是否可识别。
原文摘要
Recent research in causal inference has made important progress in addressing challenges to the external validity of trial findings. Such methods weight trial participant data to more closely resemble the distribution of effect-modifying covariates in a well-defined target population. In the presence of participant non-adherence to study medication, these methods effectively transport an intention-to-treat effect that averages over heterogeneous compliance behaviors. In this paper, we develop a principal stratification framework to identify causal effects conditioning on both compliance behavior and membership in the target population. We also develop non-parametric efficiency theory for and construct efficient estimators of such "transported" principal causal effects and characterize their finite-sample performance in simulation experiments. While this work focuses on treatment non-adherence, the framework is applicable to a broad class of estimands that target effects in clinically-relevant, possibly latent subsets of a target population.