具有脱落与多时间点的研究中的增量干预效应
统计方法学
2022-03-16 v3 机器学习
摘要
现代纵向研究在许多时间点收集特征数据，其数量级常与样本量相当。此类研究通常受脱落与 positivity 违背的影响。我们通过将近期增量干预（其偏移倾向得分而非确定性地设定处理值）的效应推广到适应多结果与受试者脱落，来解决这些问题。当脱落为条件可忽略时（无需处理 positivity），我们给出增量干预效应的识别表达式，并推导估计此类效应的非参数效率界。随后我们给出高效非参数估计量，表明其以快速参数速率收敛并提供一致推断保证，即便 nuisance 函数以更慢速率灵活估计时亦然。我们还在新颖的无限时间 horizon 设定中研究增量干预效应相对于更常规确定性效应的方差比，其中时间点数量可随样本量增长，并表明在此设定下增量干预效应在统计精度上带来近指数级增益。最后我们以模拟作结，并将我们的方法应用于低剂量阿司匹林对妊娠结局影响的研究。
引用
@article{arxiv.1907.04004,
title = {Incremental Intervention Effects in Studies with Dropout and Many Timepoints},
author = {Kwangho Kim and Edward H. Kennedy and Ashley I. Naimi},
journal= {arXiv preprint arXiv:1907.04004},
year = {2022}
}
备注
52 pages