基于集成学习的边际结构模型用于估计时变暴露效应：应用于青少年认知发展研究
统计方法学
2025-10-21 v1
摘要
评估时变暴露效应是纵向研究中的关键任务。当面对数百个时序依赖混杂因素时，效应估计变得日益具有挑战性。我们提出一种边际结构集成学习模型（MASE），用于提供基于纵向数据的边际结构模型（MSM）稳健估计器。该模型整合多种机器学习算法以建模倾向得分和一系列条件结果均值，从而降低因单一算法误指定型导致的敏感性，并允许大量混杂因素潜在的非线性混合效应以降低不一致估计的风险。大量仿真分析表明，MASE在基准方法（如MSM、G-computation、靶向最大似然）之上优异，估计偏差更小，推断准确性更高。我们将MASE应用于青少年认知发展研究，探讨睡眠不足对认知表现的时变效应。结果揭示，青少年认知发展中睡眠不足的综合性负面影响。
引用
@article{arxiv.2510.16298,
title = {Estimate Time-Varying Exposure Effects via Ensemble Learning-based Marginal Structural Model with Application to Adolescent Cognitive Development Study},
author = {Zhiwei Zhao and Chixiang Chen and Shuo Chen},
journal= {arXiv preprint arXiv:2510.16298},
year = {2025}
}