跳转至

JRSSB — Vol 88 Issue 4 · 2026-10-10

  • 共 1 篇 · Journal of the Royal Statistical Society Series B
  • 目录核对 ⚠️ 疑似漏 17 篇(对照 OpenAlex 18 篇):10.1093/jrsssb/qkaf080、10.1093/jrsssb/qkaf079、10.1093/jrsssb/qkaf082、10.1093/jrsssb/qkag058、10.1093/jrsssb/qkaf081 等

本期导览

自动生成:归纳本期主要主题与脉络,不打分、不排名。

这一期仅收录一篇论文,主题集中于因果推断中的主分层框架,整体关注点较为单一但纵深明显。全文围绕“主分层内潜在结果排序”这一核心问题展开,属于因果识别与半参数效率的交叉领域,未涉及高维、非参或计算方法等其他主线。

该文在方法上推进了主分层框架下的因果 estimand 定义与识别理论。作者引入 principal generalized causal effect (PGCE),将传统主分层效应从均值比较扩展至有序结果或复合终点的 win-loss 相对排序,并基于 principal ignorability 假设,将 Jiang et al. (2022) 的理论结果推广至更广泛的非线性对比函数,建立非参数识别条件。随后推导了这些广义 estimand 的有效影响函数,为后续半参数估计与推断提供了理论工具。这一工作对处理二元中间变量场景下的因果推断,尤其是当结果非连续或需考虑个体间相对优劣时,具有直接的方法论价值。

对于关注因果推断与半参数效率的研究者,本文是本期唯一且直接相关的文献,建议优先阅读。其核心贡献在于将主分层分析从“效应大小”转向“排序结构”,并给出识别与效率理论,适合作为该方向近期进展的参考。

因果推断 (causal_inference, 1 篇)

1. 10.1093/jrsssb/qkag044 · arXiv — Principal stratification with U-statistics under principal ignorability

  • 作者: Xinyuan Chen, Fan Li
  • 期刊/来源: Journal of the Royal Statistical Society Series B
  • 机构: Mississippi State University · Yale University
  • 分类: vol 88 · issue 4 · pp 1345-1365
  • 相关性 8/10 · novelty: new_method
  • 摘要: 本文在 principal stratification 框架下,针对存在二元中间变量的因果推断问题,引入了一类新的 estimand——principal generalized causal effect (PGCE),用以刻画 principal stratum 内潜在结果的相对排序,适用于有序结果和复合终点的 win-loss 比较。在 principal ignorability 假设下,作者将 Jiang et al. (2022) 的理论结果推广到更广泛的非线性对比函数,建立了非参数识别条件。文章推导了这些广义因果 estimand 的有效影响函数 (efficient influence function),并基于此构造了 multiply robust 估计量。进一步,通过 cross-fitting 和 U-statistics 技术,作者提出了高效的 debiased machine learning 估计量,并证明了其渐近性质。模拟研究和实际数据分析验证了所提方法的有限样本表现。对您而言,该文将您熟悉的 U-statistics 理论引入 principal stratification 的效率推断,是连接您两个核心兴趣(因果推断与高阶 U 统计量)的绝佳范例。
  • 关键技术: principal stratification, principal ignorability, efficient influence function, multiply robust estimation, debiased machine learning, cross-fitting, U-statistics
  • 为什么对您有用: 该文直接推进了您 primary interest 中的 causal inference 子方向(principal stratification 的效率理论),并巧妙地将您 very_familiar 的 U-statistics 计算工具用于构造 cross-fitting 估计量。您可以用您对高阶 U 统计量 treewidth/einsum 复杂度的理解,分析其估计量的计算成本,或探索将 PGCE 扩展到更复杂中间变量(如多分类或连续)时的效率界。中期可做:需在 moderately_familiar 的 semiparametric theory 上进一步巩固,以完全掌握其影响函数推导。

Maintained by 陈星宇 · Homepage · Source on GitHub

评论