Principal stratification with continuous treatments and continuous post-treatment variables
University of Florida(佛罗里达大学);European University Institute(欧洲大学研究院);Rutgers University(罗格斯大学);University of Florence(佛罗伦萨大学)
本研究将主分层框架拓展至连续处理场景,提出主因果估计量,探讨不同假设下的识别条件,采用非参数贝叶斯模型提升稳健性,并应用于经济与逮捕率关系的中介机制研究。
2026-10-15 stat.AP stat.ME
A note on stratification errors in the analysis of clinical trials
该研究针对临床试验分层变量输入错误的分析选择问题,证明似然函数支持使用校正值,提出可忽略/不可忽略错误分类,明确两类错误下估计量的无偏性与置信区间性质。
2023-07-21 stat.ME
Fully Latent Principal Stratification With Measurement Models
针对行为科学随机效果研究的多变量/纵向实施数据难以纳入因果模型的问题,提出结合主分层与潜变量测量模型的完全潜主分层(FLPS)框架,经模拟验证可行并用于数学辅导提示使用分析。
2024-05-15 stat.ME
Bayesian principal stratification with longitudinal data and truncation by death
提出贝叶斯纵向主分层框架,处理死亡截断的纵向数据,估计不同时间点存活者层的因果效应,并应用于企业生存与招聘政策评估。
2023-12-30 stat.AP stat.ME
A Novel Stratified Analysis Method for Testing and Estimating Overall Treatment Effects on Time-to-Event Outcomes Using Average Hazard with Survival Weight
针对生存加权平均风险(AH)在分层分析中的空白,本文提出一种基于标准化的新型分层方法,可同时以绝对差值和相对指标总结调整分层因素后的组间治疗效应,弥补传统分层方法类似Cochran-Mantel-Haenszel和分层Cox的局限性。
2024-03-31 stat.ME
Semiparametric principal stratification analysis beyond monotonicity
Yale University of Public Health(耶鲁大学公共卫生学院);MRC Clinical Trials Unit at UCL, Institute of Clinical Trials and Methodology(伦敦大学学院医学研究委员会临床试验单元,临床试验与方法学研究所);Department of Biostatistics, Epidemiology and Informatics, Perelman School of Medicine, University of Pennsylvania(宾夕法尼亚大学佩雷尔曼医学院生物统计学、流行病学和信息学系);Center for Methods in Implementation and Prevention Science, Yale School of Public Health(耶鲁大学公共卫生学院实施与预防科学方法中心)
本文提出一种基于条件比值比敏感性参数的半参数主分层框架,突破单调性假设限制,并给出双重稳健和去偏机器学习估计方法,在重症监护试验中验证其有效性。
2025-09-18 stat.ME
Beyond principal ignorability: Nonparametric sensitivity bounds for principal stratification
Mississippi State University(密西西比州立大学);University of Pennsylvania(宾夕法尼亚大学);Yale School of Public Health(耶鲁公共卫生学院)
针对因果推断中主分层框架下主因果效应不可识别的问题,提出一种基于未测量混杂因子相对风险的无界参数化非参数敏感性分析方法,推导出每个主因果效应的尖锐非参数界,并推广至主广义因果效应。
2026-06-01 stat.ME
Semiparametric Localized Principal Stratification Analysis with Continuous Strata
针对连续中间变量下主因果效应不可识别且非规则的难题,本文提出基于copula主得分模型识别因果效应,并构建局部泛函替代物的双重稳健估计量,在理论上实现极小极大最优性与半参数有效性。
2025-01-29 stat.ME
Principal Stratification with Bayesian Additive Regression Trees for Count-Valued Intermediate Variables: Estimating the Effect of Fertility on Women's Employment
University of Massachusetts Amherst(马萨诸塞大学阿默斯特分校)
本文扩展主分层结合BART的框架,适配计数型中间变量场景,经模拟及非洲多国调查数据验证,其因果效应估计性能优于传统方法,可揭示被标准方法掩盖的异质性。
2026-08-12 stat.AP stat.ME
Combining BART and Principal Stratification to estimate the effect of intermediate variables on primary outcomes with application to estimating the effect of family planning on employment in Nigeria and Senegal
University of Massachusetts Amherst(马萨诸塞大学阿默斯特分校);University of North Carolina at Chapel Hill(北卡罗来纳大学教堂山分校)
本文提出结合BART和主 stratification方法,估计家庭计划对就业的影响,通过模拟和实证分析验证了该方法在估计中间变量效应上的有效性与稳健性。
2026-03-29 stat.AP stat.ME
Novel probabilistic models of spatial genetic ancestry with applications to stratification correction in genome-wide association studies
人类群体的遗传变异受地理祖先的影响,这是由于历史交配和迁移模式的空间局部性。遗传数据集中的空间群体结构传统上使用无模型算法(如主成分分析(PCA)和多维尺度)或使用等位基因频率进化的显式空间概率模型进行分析。我们开发了一个通用的概率模型和相关的推理算法,统一了基于模型和数据驱动的方法来可视化和推断人口结构。我们的算法,地理空间定位(GAP),将样本之间的局部遗传距离与它们的空间距离联系起来,并且可以用于视觉上辨别种群结构以及准确地推断个体在二维连续体上的空间起源。在来自不同人群的模拟数据集和几个真实数据集上,GAP在重建空间祖先坐标方面的误差比PCA低得多。我们的空间推理算法也可以有效地应用到人口分层的问题,在全基因组关联研究(GWAS),隐藏的人口结构可以创建虚构的关联时,人口祖先与基因型和性状。我们开发了一个关联测试,使用GAP推断的祖先坐标准确地解释GWAS中祖先诱导的相关性。基于模拟和分析的数据集测量的10个代谢性状在芬兰北部的队列,这是已知的表现出显着的人口结构,我们发现,我们的方法具有优越的权力,目前的方法。
2016-10-25 q-bio.PE stat.ME
Data-Adaptive and Model-Robust Covariate Adjustment for Time-to-Event Outcomes in Stratified Randomized Trials
Cornell Tech, Cornell University(康奈尔科技校区,康奈尔大学);Department of Biostatistics, Department of Population Health, New York University School of Medicine(纽约大学医学院生物统计学系、人口健康系)
本文提出一种适应数据和模型鲁棒的协变量调整方法,用于分层随机试验中的生存时间终点,通过目标最小损失估计实现数据自适应的协变量选择和稳健的生存曲线函数估计。
2026-04-30 stat.ME
Assessing causal effects in the presence of treatment switching through principal stratification
该研究通过主分层重新定义治疗转换问题,采用贝叶斯方法处理连续时间转换与删失,分析Concorde合成数据,发现立即使用齐多夫定增加从未转换者生存时间且效果异质性高。
2023-09-05 stat.AP stat.ME
Combining BART and Principal Stratification to estimate the effect of intermediate on primary outcomes with application to estimating the effect of family planning on employment in sub-Saharan Africa
本文结合BART和主效应分层法估计家庭计划对就业的影响,通过模拟研究和实证数据验证了该方法在非参数假设下的有效性。
2026-03-29 stat.AP stat.ME
PStrata: An R Package for Principal Stratification
针对因果推断中治疗后混杂导致主分层分析门槛高的问题,开发了R包PStrata,支持贝叶斯与频率学派范式,可处理多种常见结局与数据结构,实现了主分层统计分析的自动化。
2023-04-05 stat.CO stat.ME
Principal stratification analysis using principal scores
从业者感兴趣的不仅是治疗对结果的平均因果效应,而且是在治疗和结果之间存在中间变量的情况下的潜在因果机制。然而,在许多情况下,我们不能随机化中间变量,导致样本选择问题,即使在随机实验。因此,我们将具有中间变量的随机实验视为半观察性研究。在分析观察性研究的同时,我们提供了一个理论基础,进行客观的因果推断与一个中间变量的主要分层框架下,与主要层定义为联合潜在值的中间变量。我们的策略基于主要得分构建加权样本,定义为给定协变量的潜在主要层的条件概率,而无需访问任何结果数据。这种主要分层分析产生了强大的因果推断,而不依赖于任何模型假设的结果分布。我们还提出了方法进行敏感性分析的可验证性和单调性假设,在我们的理论中非常关键的,但不可测试的识别假设的违反。当经典的工具变量分析所需的假设不能被背景知识证明是合理的,或者因为感兴趣的科学问题而不能被证明是合理的时,我们的策略可以作为处理中间变量的一个有用的替代工具。我们用两个真实的数据例子来说明我们的方法,并找到科学上有意义的结论。
2016-02-03 math.ST stat.ME stat.TH
Doubly cross-fit debiased machine learning of heterogeneous treatment effects under principal stratification
Yale School of Public Health(耶鲁公共卫生学院)
针对主分层框架中处理效应异质性研究不足的问题,提出双重交叉拟合双稳健机器学习方法,结合主可忽略性和比值比敏感性参数化,估计条件主因果效应,并建立理论保证。
2026-07-09 stat.ME stat.ML
Non-Existent Outcomes in Research on Inequality: A Causal Approach
针对社会分层研究中因删除非存在性结果导致因果效应被低估的问题,基于主分层方法研究处理对结果存在性及潜在亚组结果值的平均效应,并开发回归与模拟框架调整混杂因素,以父母身份对劳动力市场结果影响为例进行说明。
2025-08-20 stat.AP stat.ME
Analysis of Broken Randomized Experiments by Principal Stratification
本文提出基于主分层的统计框架分析破损随机实验,以依从者和始终存活者的平均治疗效果为目标估计量,并应用于职业军团研究,发现培训长期提升就业与收入。
2025-04-23 stat.ME
A sensitivity analysis approach to principal stratification with a continuous longitudinal intermediate outcome: Applications to a cohort stepped wedge trial
University of Florida(佛罗里达大学);Yale School of Public Health(耶鲁公共卫生学院)
本文提出了一种针对连续纵向中间结果的敏感性分析方法,应用于队列阶梯楔形试验,以估计主因果效应并扩展主分层方法的应用范围。
2026-02-19 stat.ME
Principal Stratification with Continuous Post-Treatment Variables: Nonparametric Identification and Semiparametric Estimation
本文针对连续治疗后变量的主分层问题,提出非参数识别与半参数估计理论,利用工作模型近似因果效应曲面并构造双重稳健估计量,填补了现有方法主要限于二值治疗后变量的空白。
2024-04-03 math.ST stat.ME stat.TH
Feature selection in stratification estimators of causal effects: lessons from potential outcomes, causal diagrams, and structural equations
估计平均因果效应的理想回归(如果有的话)是什么?我们研究这个问题的设置离散协变量,推导出各种分层估计的有限样本方差的表达式。这种方法澄清了许多被广泛引用的结果背后的基本统计现象。我们的论述结合了三种不同的方法论传统研究因果效应估计的见解:潜在的结果,因果关系图和结构模型与添加剂错误。
2022-09-23 stat.ME stat.ML
Prognostic Covariate Adjustment for Binary Outcomes Using Stratification
协变量调整和随机临床试验(RCT)中纳入历史数据的方法都为增加试验把握度提供了机会。我们将这些方法结合起来,用于基于边缘风险比(RR)的Cochran-Mantel-Haenszel(CMH)检验的二元结局RCT分析。在PROCOVA-CMH中,根据反映对照治疗(例如安慰剂)预测结局的单个预后协变量对受试者进行分层。该预后评分是通过在历史数据上训练的模型基于基线协变量生成的。我们提出了两个封闭形式的前瞻性估计的对数RR的渐近抽样方差,只依赖于从观察到的历史结果和预后模型获得的值。重要的是,这些估计量可用于在试验计划期间告知样本量。PROCOVA-CMH证明了有效推断的第一类错误控制和适当的渐近覆盖。与其他协变量校正方法一样,与未校正(未分层)CMH分析相比,PROCOVA-CMH可降低处理效应估计值的方差。除了统计方法,模拟和阿尔茨海默氏症的案例研究,以证明性能。结果表明,PROCOVA-CMH可以提供功率增益,可用于进行较小的试验。
2022-12-19 stat.AP stat.ME
Weak separation in mixture models and implications for principal stratification
主要分层是解决随机化后并发症的广泛使用的框架。在使用主要分层来定义感兴趣的因果效应之后,研究人员越来越多地转向有限混合模型来估计这些数量。不幸的是,混合参数的标准估计,如MLE,已知表现出病态的行为。我们在一个简单但基本的例子中研究了这种行为,一个两组分高斯混合模型,其中只有组分均值和方差是未知的,并专注于其中组分弱分离的设置。在这种情况下,我们表明,渐近收敛速度的极大似然估计是相当差的,如$O(n^{-1/6})$,甚至$O(n^{-1/8})$。然后,我们通过理论论证以及广泛的模拟表明,在有限样本中,极大似然估计的行为就像一个阈值估计,在这个意义上说,极大似然估计可以给出强有力的证据,即当真相是其他的时候,均值是相等的。我们还探讨了当极大似然估计非零时极大似然估计的行为,表明在这种情况下很难估计均值的符号和幅度。我们为所有这些病理学提供诊断,并将这些想法应用于重新分析两个随机评估的职业培训计划,JOBS II和工作团。我们的结果表明,相应的最大似然估计应谨慎解释在这些情况下。
2019-08-17 stat.ME
Bayesian Nonparametrics for Principal Stratification with Continuous Post-Treatment Variables
Data Science Institute, Brown University(布朗大学数据科学研究所);Department of Statistics, University of Padova(帕多瓦大学统计系);Department of Economics, European University Institute(欧洲研究院经济系);Department of Biostatistics, Harvard School of Public Health(哈佛公共卫生学院生物统计系);Department of Biostatistics, University of California, Los Angeles(加州大学洛杉矶分校生物统计系)
本文提出CASBAH方法,通过贝叶斯非参数先验处理连续后处理变量,解决主分层识别与不确定性量化问题,通过模拟和案例研究验证其有效性。
2026-03-25 math.ST stat.ME stat.TH
Principal stratification with recurrent events truncated by a terminal event: A nested Bayesian nonparametric approach
Yale School of Public Health(耶鲁大学公共卫生学院);University of Pennsylvania(宾夕法尼亚大学)
本文提出一种嵌套贝叶斯非参数方法,用于处理由死亡等终端事件截断的复发事件,通过双重脆弱框架推导出部分可识别结果,提升因果推断的透明度和准确性。
2026-03-17 stat.ME
Bayesian Methods for Multiple Mediators: Relating Principal Stratification and Causal Mediation in the Analysis of Power Plant Emission Controls
发电厂安装的排放控制技术是美国许多空气污染法规的关键特征。虽然这些法规是基于排放、环境空气污染和人类健康之间的假定关系,但其中许多关系从未得到经验验证。本文的目标是开发新的统计方法来量化这些关系。我们把这个问题作为一个中介分析来评估特定控制技术对环境污染的影响在多大程度上是通过对发电厂排放的因果影响来介导的。由于发电厂排放的各种化合物,有助于环境污染,我们开发的多个中间变量,同时测量的新方法,可能会相互作用,并可能表现出联合调解效果。具体来说,我们提出了新的方法,利用两个相关的框架,在存在中介变量的因果推断:主要分层和因果中介分析。我们定义了基于多个介质的主要影响,并引入了一个新的分解的总影响的干预对环境污染的自然直接影响和自然间接影响的所有组合的介质。这两种方法都锚定到相同的离散数据模型,我们指定与贝叶斯非参数技术。我们提供了估计主要因果效应的假设,然后用因果中介分析所需的额外假设来增强这些假设。这两个分析,解释串联,提供了第一个实证调查的假定因果路径,激励重要的空气质量监管政策。
2019-02-17 stat.ME
Characterizing the Effects of Environmental Exposures on Social Mobility: Bayesian Semi-parametrics for Principal Stratification
Brown University(布朗大学);Bocconi University(博科尼大学);Harvard School of Public Health(哈佛公共卫生学院);University of California, Los Angeles(加州大学洛杉矶分校)
针对PM2.5、教育程度与社会流动性的因果路径问题,提出基于无限混合的贝叶斯半参数主分层方法,发现高PM2.5通过降低教育程度使社会流动性下降约5%。
2025-11-03 stat.AP stat.ME
BatMan: Mitigating Batch Effects via Stratification for Survival Outcome Prediction
转录组学数据的可重复翻译受到普遍存在的批次效应的阻碍。管理批次效应的统计方法最初是在样本组比较的环境中开发的,后来被借用到其他环境中,如生存结果预测。最值得注意的方法是ComBat,它通过将其作为协变量与样本组一起纳入线性回归中来调整批次。然而,在生存预测中,ComBat在没有可定义的生存结局组的情况下使用,并且在潜在混淆结局的生存回归中顺序进行。为了解决这些问题,我们提出了一种新的方法,称为蝙蝠侠(“批量缓解通过分层”)。它在生存回归中调整批次作为分层,并利用变量选择方法(如LASSO)来处理高维。我们评估蝙蝠侠的性能与ComBat相比,单独使用或与数据归一化结合使用,在基于重新采样的模拟研究中,在不同水平的预测信号强度和批量结果关联模式下。我们的模拟表明,(1)当数据中存在批量效应时,BatMan在几乎所有场景中的性能都优于ComBat,(2)它们的性能可能会因添加数据归一化而恶化。我们使用来自癌症基因组图谱的卵巢癌microRNA数据对它们进行了进一步评估,并发现蝙蝠侠超越了ComBat,而数据归一化的增加则使预测变得更加准确。因此,我们的研究显示了蝙蝠侠的优势,并提出了在开发生存预测模型的背景下天真地使用数据归一化的警告。BatMan方法和用于性能评估的模拟工具在R中实现,并可在https://github.com/LXQin/PRECISION.survival上公开获得…
2022-09-08 stat.ME
Patient stratification in multi-arm trials: a two-stage procedure with Bayesian profile regression
精准医学是一个新兴领域,它考虑到个体异质性,为更好的临床实践提供信息。在临床试验中,评价处理效应异质性是一个重要组成部分,最近,已经提出了许多统计方法,用于根据这种异质性将患者分为不同的亚组。然而,大多数为此目的开发的现有方法集中在二分治疗的情况下,并不直接适用于多组试验。在本文中,我们考虑在多组试验设置的患者分层的问题,并提出了一个两阶段的贝叶斯非参数框架内的程序。具体来说,我们首先使用贝叶斯加性回归树(BART)来预测每个患者在不同治疗方案下的潜在结果(治疗反应),然后我们利用贝叶斯轮廓回归根据患者的基线特征和预测的潜在结果将其聚类为亚组。我们进一步嵌入变量选择程序到我们提出的框架,以确定积极“驱动”的聚类结构的患者特征。我们进行模拟研究,以检查我们提出的方法的性能,并通过将其应用于英国的多臂献血试验来证明该方法,其中我们的方法揭示了五个有临床意义的供体亚组。
2023-02-22 stat.AP stat.ME
Causal Inference with Outcomes Truncated by Death and Missing Not at Random
本文研究结局因死亡截断且缺失非随机情形下的因果推断,提出利用代理变量识别幸存者子群体中的平均治疗效应,并给出估计方法与非参数界。
2025-07-04 stat.AP stat.ME
Identification of Causal Effects Within Principal Strata Using Auxiliary Variables
在因果推断中,主要分层是处理治疗和结果之间的治疗后中间变量的框架,其中主要分层由中间变量的联合潜在值定义。由于主要层并非完全可观察,因此其中的因果效应(亦称为主要因果效应)在没有额外假设的情况下无法识别。先前的几项实证研究利用辅助变量来改善对主要因果效应的推断。本文建立了一个带有辅助变量的主因果效应识别和估计的一般理论,为统计推断提供了坚实的基础,为实证研究中的模型构建提供了更多的启示。特别是,我们认为两个常用的策略,主要分层问题:主要的可验证性,以及辅助变量和结果之间的条件独立性,给出了主要层和协变量。对于这两种策略,我们给出了非参数和半参数的识别结果,没有建模假设的结果。当两种策略的假设都不合理时,我们提出了一大类灵活的参数和半参数模型来识别主要的因果效应。我们的理论不仅建立了正式的识别结果,已在以前的实证研究中使用的几个模型,但也概括了它们,以允许不同类型的结果和中间变量。
2021-04-17 stat.ME
Structured Transfer Learning for Survival Risk Stratification in Data-Sparse Clinical Cohorts
National University of Singapore(新加坡国立大学);Institute for Human Development and Potential, Agency for Science, Technology and Research (A*STAR)(人才发展研究所,科学技术研究局(A*STAR));Bioinformatics Institute, Agency for Science, Technology and Research (A*STAR)(生物信息学研究所,科学技术研究局(A*STAR));Department of Biomedical Informatics & Data Science, Yale School of Medicine(耶鲁医学院生物医学信息学与数据科学系);National Heart & Lung Institute, Imperial College London(帝国理工学院国家心肺研究所)
本文提出CORE-Cox模型,通过低秩Cox系数结构学习共享风险因子模式,并通过正则化残差校正适应目标队列,提升生存风险分层的可靠性。
2026-05-15 stat.ME
Defining and Estimating Intervention Effects for Groups that will Develop an Auxiliary Outcome
它最近变得流行,定义治疗效果的目标人群的子集,其特征是在治疗决定时不可观察的变量。描述和估计这样的治疗效果是棘手的;最流行但幼稚的方法不适当地调整受治疗影响的变量,因此是有偏见的。我们考虑了几种适当的方法来形式化的影响:主要分层,分层的一个单一的潜在的辅助变量,分层的一个观察到的辅助变量和分层的预期水平的辅助变量。然后,我们概述了每种类型的估计识别假设。我们评估这些被估量的效用和估计程序的决策和理解因果过程,对比它们的概念的直接和间接的影响。我们激励我们的发展与肾脏病和癌症筛查的例子,并使用模拟数据和癌症筛查的实际数据来说明估计方法。
2007-08-30 math.ST stat.ME stat.TH
Bounding, an accessible method for estimating principal causal effects, examined and explained
估计由治疗后行为定义的亚组的处理效应(即,在主要分层框架中估计因果效应)在技术上可能具有挑战性,并且严重依赖于强有力的假设。我们研究了另一种途径:使用边界来确定与数据一致的可能影响范围。这种简单的方法依赖较少的假设,但可以得出与政策相关的结论。正如我们所展示的,协变量可以直接用于大幅收紧边界。通过模拟,我们证明了哪些类型的协变量是最有益的。最后,我们分析了早期大学高中的多地点实验研究。当检查该计划的学生完成九年级的影响“上轨道”的大学,我们发现ECHS的学生,否则谁会参加一个高质量的高中影响不大,但对于那些谁不会有实质性的影响。这表明,在主要由质量较低的学校提供服务的地区扩大这些方案有潜在的好处。
2017-08-16 stat.AP stat.ME
Assessing the commonly used assumptions in estimating the principal causal effect in clinical trials
在临床试验中,通常需要了解主要因果效应(PCE),即主要分层(由一个或多个基线后变量的潜在结局定义的患者子集)的平均处理效应。常用的假设包括单调性、主可重复性、主可重复性和主层独立性的跨世界假设。在这篇文章中,我们通过一项2 $\times$ 2交叉研究来评估这些假设,在该研究中,只要没有遗留效应和研究期效应,就可以观察到两种治疗的潜在结局。从这个例子来看,似乎单调性假设和治疗内主要可重复性假设并不成立。另一方面,以基线协变量为条件的跨世界主要可解释性和跨世界主要阶层独立性的假设似乎是合理的。在后一种假设下,我们估计了PCE,其定义为每个治疗阶段的血糖标准差是否增加,而不依赖于交叉特征,产生的估计值接近利用交叉特征时的结果。据我们所知,这篇文章是第一次尝试使用交叉试验来评估用于估计PCE的常用假设的可行性。
2022-10-04 stat.AP stat.ME
Identifying Principal Stratum Causal Effects Conditional on a Post-treatment Intermediate Response
在早期乳腺癌的新辅助治疗试验中,患者通常被随机分配到对照组和具有额外靶向治疗的治疗组。通过二元病理学完全缓解(pCR)评估新方案的早期疗效,并通过长期临床结局(如生存期)评估最终疗效。尽管pCR与生存率密切相关,但尚未证实其为替代终点。为了充分理解其临床意义,重要的是建立因果被估量,例如在新方案下将实现pCR的患者的生存率的因果效应。在主分层框架下,以往的研究主要集中在通过改变模型参数对反事实结果进行敏感性分析。在温和的假设下,我们提出了一种方法来估计这些模型参数,使用经验数据,随后的因果估计的兴趣。我们还扩展了我们的方法来处理删失的结果数据。该方法适用于最近的临床试验,其性能通过模拟研究进行评估。
2022-03-20 stat.AP stat.ME
Implementing the principal stratum strategy for intercurrent events with survival outcomes: a tutorial
University of Alabama at Birmingham(阿拉巴马大学伯明翰分校);U.S. Food and Drug Administration(美国食品药品监督管理局);Duke University(杜克大学)
本教程回顾了主分层策略在生存结局并发事件中的应用,通过混合模型和加权方法估计因果效应,并提供了R代码和模拟研究。
2026-05-26 stat.ME
In defense of MAR over latent ignorability (or latent MAR) for outcome missingness in studying principal causal effects: a causal graph view
本文通过因果图证明,在研究主因果效应的结果缺失时,潜在随机缺失(LMAR)比随机缺失(MAR)更难满足且无额外益处,主张优先使用MAR,并阐明其成立条件及效应识别应用。
2024-07-18 stat.ME
On the Proportional Principal Stratum Hazards Model
University of Wisconsin–Madison(威斯康星大学麦迪逊分校)
针对临床试验中死亡竞争风险下无法准确估计治疗对非致死事件直接效应的问题,提出比例主层风险模型,通过共享脆弱模型识别主层归属,经模拟验证可靠性并在心力衰竭临床试验中完成演示。
2025-04-23 stat.AP stat.ME
Functional principal component analysis with informative observation times
本文针对观测时间与纵向结局相关的信息性观测问题,提出基于逆强度加权和加权惩罚样条的函数型主成分分析方法,建立了估计量的一致性与收敛速度,并通过模拟和实际数据验证其优于现有方法。
2024-10-04 stat.ME
Sharp bounds for population and principal effects under latent sequential ignorability
University of Florida(佛罗里达大学)
针对存在二元中间响应的两期治疗场景,推导潜在序列忽略性下总体与主效应的尖锐界,给出含内部分配的二元结果精确算法及推断方法,并在健身房出勤研究中验证界的应用。
2026-10-14 stat.ME
Multiply robust estimation of causal effects under principal ignorability
因果推断不仅涉及治疗对结局的平均影响,还涉及通过感兴趣的中间变量的潜在机制。主要分层通过针对主要层内的亚组因果效应来表征这种机制,主要层由中间变量的联合潜在值定义。由于因果推断的基本问题,主要阶层本质上是潜在的,这使得识别和估计其中的亚组效应具有挑战性。一系列的研究利用了主要的可解释性假设,即潜在的主要层是平均独立的潜在结果条件下观察到的协变量。根据主要的可验证性,我们推导出各种非参数识别公式的因果关系的影响,在观察性研究中,激励估计依赖于正确的规格的不同部分的数据分布。适当地结合这些估计产生三重稳健估计的因果关系的影响,在主要阶层。这些三重稳健估计是一致的,如果两个治疗,中间变量和结果模型被正确指定,而且,他们是局部有效的,如果所有三个模型都被正确指定。我们表明,这些估计自然产生的有效的影响函数的半参数理论或模型辅助估计的调查抽样理论。我们评估不同的估计基于其有限样本的性能,通过模拟和应用它们的两个观察性研究。
2022-03-28 stat.ME
Weighted Approach for Estimating Effects in Principal Strata with Missing Data for a Categorical Post-Baseline Variable in Randomized Controlled Trials
本研究的动机是在一项随机对照试验中研究抗药抗体(ADA)的形成及其对生物治疗长期获益的潜在影响,其中ADA状态不仅在对照组中未观察到,而且在实验治疗组的患者亚组中也未观察到。并发状态,即在由仅在一个组中观察到的随机化后变量定义的组中,并且可能与结局相关。然而,状态信息可能会丢失,即使是不可忽略的患者数量在实验arm.For这种情况下,一种新的加权主分层方法:数据缺失并发事件状态的患者进行重新加权的基础上基线协变量和额外的纵向信息。为不同类型的结局提供了所提出方法的理论依据,并指定和研究了允许对处理效应得出因果结论的假设。仿真结果表明,所提出的方法产生了有效的推理,并对某些违反假设的鲁棒性。在ADA状态作为并发事件的临床研究中,该方法表现良好。
2021-01-12 stat.AP stat.ME
Exploiting network information to disentangle spillover effects in a field experiment on teens' museum attendance
青年教育的一个关键因素是使他们对历史和艺术遗产有敏感认识。我们分析了在佛罗伦萨(意大利)进行的实地实验,以评估如何适当的激励分配给高中班级可能会导致青少年参观博物馆在他们的空闲时间。不遵守和溢出效应使得这种集群式鼓励设计的影响评估具有挑战性。我们建议混合主要分层和因果调解,根据他们的遵守行为,并使用他们的友谊网络作为调解人的信息定义子群体的单位。我们正式定义了主要的自然直接和间接效应以及主要控制的直接和溢出效应,并使用它们来解开其他因果渠道的溢出。我们采用贝叶斯方法进行推理。
2022-05-06 econ.EM stat.AP stat.ME
Bayesian Nonparametric Trees for Principal Causal Effects
针对连续中间变量下无限多主层导致的主因果效应评估难题,提出基于贝叶斯因果森林的双贝叶斯加性回归树模型,灵活评估跨主层的处理效应异质性,并应用于发电厂排放控制技术对颗粒污染的影响分析。
2024-03-20 stat.ME
Transportability of Principal Causal Effects
本文提出主分层框架,用于识别和估计迁移到目标人群的、以依从行为为条件的主因果效应,并发展非参数效率理论及高效估计量,通过模拟验证其性能。
2024-07-16 stat.ME
Vaccine efficacy for binary post-infection outcomes under misclassification without monotonicity
提出一种非参数点识别方法,在无需单调性假设且允许测量误差的情况下,利用地理分散试验和预处理协变量识别疫苗对感染及感染后结局的主效应,并支持多处理场景。
2024-09-19 math.ST stat.AP stat.ME
Identifying and Estimating Principal Causal Effects in Multi-site Trials
随机试验通常在多个地点进行单独的随机化,如学校,投票区或医院。这些网站可能在重要方面有所不同,包括网站的实现,当地条件和个人的组成。实践中的一个重要问题是,研究人员是否以及在什么样的假设下可以利用这种跨站点的变化来了解更多关于干预的信息。我们在主要分层框架中解决这些问题,该框架描述了由治疗后数量定义的亚组的因果效应。我们表明,研究人员可以通过多站点设计估计某些主要的因果效应,如果他们愿意施加强有力的假设,即站点特定的影响是不相关的,与站点特定分布的阶层成员。我们激励这种方法与早期大学高中倡议,一个独特的中学教育计划,以提高高中毕业率和大学入学率的目标多地点试验。我们的分析证实了以前的研究表明,该倡议有积极的影响,否则谁会参加一个低质量的高中的学生,虽然权力是有限的。
2018-03-16 stat.ME
Identification and estimation of causal effects in the presence of confounded principal strata
主要分层已成为一个流行的工具,以解决广泛的一类因果推断问题,特别是在处理不遵守和截断的死亡问题。在这些研究中,由中间变量的联合潜在值确定的主要层内的因果效应,也称为主要因果效应,通常是感兴趣的。文献中观察数据的主要因果效应分析主要依赖于治疗分配的可重复性,这要求从业者准确测量尽可能多的协变量,以便捕获所有可能的混杂来源。然而,在观察性研究中收集所有潜在的混杂因素通常是困难和昂贵的,因此可验证性假设可能是值得怀疑的。在本文中,通过利用已越来越多地用于处理不受控制的混杂的可用阴性对照,我们考虑识别和估计的因果关系时,治疗和主要分层被混淆的未观察到的变量。具体来说,我们表明,主要的因果效应可以通过调用一对负控制,都需要不直接影响结果的非参数化识别。然后,我们放松这一假设,并建立各种半参数或参数模型下的主要因果效应的识别。我们还提出了一个估计方法的主要因果效应。广泛的模拟研究表明,所提出的方法和一个真正的数据应用程序从全国青年男子纵向调查的良好性能。
2022-06-17 stat.ME
A Bayesian Analysis of Two-Stage Randomized Experiments in the Presence of Interference, Treatment Nonadherence, and Missing Outcomes
针对现代复杂实验中同时存在的干扰、治疗不依从和结果缺失问题,提出一种基于贝叶斯方法的因果推断框架,扩展两阶段随机化实验和主分层框架,通过灵活分布模型实现主因果效应的弱可识别,从而提供更具信息量的分析。
2023-04-05 stat.ME
Multi-Block Sparse Functional Principal Components Analysis for Longitudinal Microbiome Multi-Omics Data
微生物组研究人员通常需要同时对多个复杂的非线性结果轨迹的时间动态进行建模。这促使我们开发多变量稀疏函数主成分分析(mSFPCA),扩展现有的SFPCA方法,同时表征多个时间轨迹及其相互关系。与现有的SFPCA方法一样,mSFPCA算法将每个轨迹表征为平滑平均值加上关于平均值的平滑主要变化模式的加权组合,其中权重由每个受试者的分量分数给出。与现有的SFPCA方法不同,mSFPCA算法允许同时估计多个轨迹,使得在特定结果内被约束为独立的可识别性的分量分数可以任意地与其他结果的分量分数相关。Cholesky分解用于有效地估计分量得分协方差阵,并在给定这些约束的情况下保证半正定性。互信息被用来评估跨结果轨迹的边缘和条件时间关联的强度。重要的是,我们使用R和stan将mSFPCA实现为贝叶斯算法,从而可以轻松使用PSIS-LOO等软件包进行模型选择和图形后验预测检查,以评估mSFPCA模型的有效性。虽然我们在本文中专注于mSFPCA对微生物组数据的应用,但mSFPCA模型具有通用性,可以用于广泛的实际应用中。
2021-02-05 stat.ME
Sensitivity analysis for principal ignorability violation in estimating complier and noncomplier average causal effects
Johns Hopkins Bloomberg School of Public Health(约翰斯·霍普金斯大学布隆伯格公共卫生学院);University of Utah School of Medicine(犹他大学医学院)
本文探讨了在非合规设置中,主不可忽略性假设违反对因果效应估计的敏感性,通过不同敏感参数分析方法,展示了如何评估合规者与非合规者在结果均值上的差异,以改进非参数推断。
2024-03-29 stat.ME
Partial identification of principal causal effects under violations of principal ignorability
University of Florida(佛罗里达大学)
本文研究了在违反主不可忽略性假设时,通过参数模型联合建模结果和主分层以部分识别主因果效应的方法,并探讨了弱假设对部分识别区域的影响。
2026-04-20 math.ST stat.ME stat.TH