Regression-based Adjustment for Time-varying Confounders
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Social scientists are often interested in estimating the marginal effects of a time-varying treatment on an end-of-study continuous outcome. With observational data, estimating these effects is complicated by the presence of time-varying confounders affected by prior treatments, which may lead to bias in conventional regression and matching estimators. In this situation, inverse-probability-of-treatment-weighted (IPTW) estimation of a marginal structural model remains unbiased if treatment assignment is sequentially ignorable and the conditional probability of treatment is correctly modeled, but this method is not without limitations. In particular, it is difficult to use with continuous treatments, and it is relatively inefficient. This article explores using an alternative regression-based method—regression-with-residuals (RWR) estimation of a constrained structural nested mean model—that may overcome some of these limitations in practice. It is unbiased for the marginal effects of a time-varying treatment if treatment assignment is sequentially ignorable, the treatment effects of interest are invariant across levels of the confounders, and a model for the conditional mean of the outcome is correctly specified. The performance of RWR estimation relative to IPTW estimation is evaluated with a series of simulation experiments and with an empirical example based on longitudinal data from the Panel Study of Income Dynamics. Results indicate that it may outperform IPTW estimation in certain situations.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,012 | 0,018 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle