Efficient Transported Distributional and Quantile Treatment Effects with Surrogate-Assisted Missing Primary Outcomes
利用替代指标辅助缺失主要结局的高效跨总体分布与分位数处理效应估计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：摘要研究跨总体的因果处理效应，目标明确包含反事实分布、分位数及分位数处理效应。
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…
关注这篇论文的作者
利用替代指标辅助缺失主要结局的高效跨总体分布与分位数处理效应估计
- 研究问题
- 当来源研究仅在验证子样本中观测长期结局、目标总体仅有基线协变量时，如何估计目标总体的反事实分布与分位数处理效应？
- 方法与思路
- 作者在主要结局随机缺失框架下利用处理后替代指标提升效率，推导有效影响函数，构造交叉拟合一步估计量及同时置信带。
- 材料陈述的贡献
- 摘要称，研究建立识别、稳健性、分布与分位数渐近表示和效率增益，并为受限的有限维或有限秩实现验证干扰参数收敛条件。
- 阅读关注点
- 应核对跨总体识别与缺失机制条件、比率层面的稳健性、分位数局部逆映射要求，以及同时带和具体实现的适用限制。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实。替代指标用于效率提升；摘要未展开各项条件，低层速率验证仅覆盖受限实现类。
原文摘要
We study target-population distributional and quantile treatment effects when a source study observes treatment and post-treatment surrogates for all source units but observes a long-run primary outcome only for a validation subset, while the target population contributes only baseline covariates. The target estimands are transported counterfactual distribution functions $ψ_a(y)=P(Y^a\le y\mid R=0)$, their quantiles $q_a(τ)$, and the quantile treatment effect $Δ(τ)=q_1(τ)-q_0(τ)$. The surrogate is not treated as a replacement endpoint and no Prentice-type surrogacy condition is imposed. Instead, the surrogate is used only to improve efficiency under missing-at-random primary-outcome sampling. We derive the nonparametric efficient influence function, which has three orthogonal components corresponding to target covariate sampling, the source surrogate process, and missing primary outcomes. This yields a closed-form cross-fitted one-step estimator after nuisance estimation. We establish identification, the canonical gradient, exact drift identities, ratio-level robustness, pointwise and uniform asymptotic linearity for transported CDFs, Bahadur representations for quantiles under explicit local inverse-map conditions, high-level multiplier-bootstrap simultaneous bands under explicit estimated-process and density conditions, and quantile-specific efficiency gains from observing surrogates. We also give lower-level nuisance-rate verification for a deliberately restricted class of analyzable bounded finite-dimensional or finite-rank implementations based on sieve ridge regression, ridge logistic regression, calibrated density-ratio estimation, finite-rank kernel ridge regression, and isotonic projection under explicit grid, eigenvalue, source, and entropy conditions.