Assessing spillover effects: Handling missing outcomes in network-based studies
Notice bibliographique
Résumé
Estimating causal effects in the presence of spillover among individuals within a social network poses challenges due to missing information. Spillover effects refer to the impact of an intervention on individuals not directly exposed themselves but connected to intervention recipients within the network. In network-based studies, outcomes may be missing due to study termination or participant dropout, termed censoring. We introduce an inverse probability censoring weighted estimator which extends the inverse probability weighted estimator for network-based observational studies to handle possible outcome censoring. We prove the consistency and asymptotic normality of the proposed estimator and derive a closed-form estimator for its asymptotic variance. Applying the inverse probability censoring weighted estimator, we assess spillover effects in a network-based study of a nonrandomized intervention with outcome censoring. A simulation study evaluates the finite-sample performance of the inverse probability censoring weighted estimator, demonstrating its effectiveness with sufficiently large sample sizes and number of connected subnetworks. We then employ the method to assess spillover effects of community alerts on self-reported human immunodeficiency virus risk behavior among people who inject drugs and their contacts in the Transmission Reduction Intervention Project (TRIP), from 2013 to 2015, Athens, Greece. Results suggest that community alerts may help reduce human immunodeficiency virus risk behavior for both the individuals who receive them and others in their network, possibly through shared information. In this study, we found that the risk of human immunodeficiency virus behavior was reduced by increasing the proportion of a participant's immediate contacts exposed to community alerts.
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.
Comment cette classification a été obtenuedéplier
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 | 0,031 | 0,417 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 découleClassification
machine, non validéePrédiction automatique; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».