XiaoMi-AI文件搜索系统
World File Search System估计量
SA-225 处理并发事件的主要层策略：避免有偏差估计的因果估计 - 案例研究和功率模拟 -
ICH E9 (R1) 附录“临床试验中的估计量和敏感性分析”强调了量化更好的治疗效果的必要性，以解决可能导致估计值模糊的并发事件的发生。附录中提出的一种方法是“主要层策略”，其中分析的目标人群是由没有并发事件的患者组成的亚群。主要问题是无法提前确定层，因此分析不是因果关系并且容易产生混淆。此外，并发事件的发生是不可预测的，并且每个受试者只接受一种治疗，并且在不同的治疗中可能会经历不同的并发事件。FDA 缺失数据工作组还建议使用因果估计量来评估主要关注终点。
![识别GOarxiv：2502.07152v1 [stat.me] 2025年2月11日](/simg/g:\will\search\icon\source\c\c0d38841188ce8f6f2ea20a930ae622410b7dd28.webp)
识别GOarxiv：2502.07152v1 [stat.me] 2025年2月11日
表E 3的平均平方误差（MSE）和跨样本尺寸n = 100、300和500的方差组件估计量的平均绝对误差（MAE）。MSE和MAE都随着样本量的增加而减小，从而验证了估计器的准确性和收敛性。
plm：面板数据的线性模型
描述一组模型和（稳健）协方差矩阵的估计量，以及面板数据计量经济学的检验，包括内/固定效应、随机效应、间效应、一阶差分、嵌套随机效应以及工具变量（IV）和豪斯曼-泰勒式模型、面板广义矩法（GMM）和一般 FGLS 模型、均值组（MG）、平均 MG、共同相关效应（CCEMG）和具有共同因子、变量系数和有限因变量模型的合并（CCEP）估计量。测试函数包括模型规范、序列相关、横截面相关性、面板单位根和面板 Granger（非）因果关系。典型的参考文献是一般计量经济学教科书，例如 Baltagi (2021)，《面板数据的计量经济学分析》(< doi:10.1007/978-3-030-53953-5 >)、Hsiao (2014)，《面板数据分析》(< doi:10.1017/CBO9781139839327 >) 以及 Croisant 和 Millo (2018)，《使用 R 的面板数据计量经济学》(< doi:10.1002/9781119504641 >)。
药物靶标孟德尔随机化分析支持降低血浆 ANGPTL3、ANGPTL4 和 APOC3 水平作为降低心血管疾病风险的策略
英国生物库队列中的遗传关联分析。进行了有害变异基因折叠分析，以测量 ANGPTL3、ANGPTL4 和 APOC3 失活与 CAD 的关联。使用固定效应 IVW 估计量将这些结果与先前的研究进行了荟萃分析。
经济自由、包容性增长和金融发展：发展中国家的异质性面板分析
有效且高效的金融系统和资源管理可营造有利于技术和创新进步的社会经济环境，从而促进长期经济增长。该研究使用了 2009 年至 2017 年期间 72 个金融欠发达国家的面板数据，以检验经济自由和包容性增长在金融发展中的作用。对于长期估计，我们利用了线性动态面板 GMM-IV 估计量、面板校正标准误差 (PCSE) 线性回归方法和同期相关估计量（广义最小二乘法）。我们的分析表明，经济自由、包容性增长和资本存量对金融发展有显著的正向贡献。此外，包容性增长通过提高经济自由度对整体金融发展有正向贡献。无论存在外生冲击还是内生冲击，我们发现，以整体金融发展指数衡量，税负和投资自由都是金融发展的负向驱动因素。相反，产权保护、政府支出、货币自由和金融自由则是经济增长的积极且重要的驱动力。
联邦政府对各州和地方的援助如何影响检测和疫苗接种？
我们估计联邦对州和地方政府的援助是否在推动 COVID-19 人口检测和疫苗接种方面发挥了作用。为了克服联邦援助分配内生性可能导致的偏差，我们使用了一个工具变量估计量，该估计量依赖于各州国会代表权变化预测的联邦援助的大幅变化。我们发现，联邦财政援助资金对疫苗推出速度的影响很小，可能提高了疫苗接种的公平性，并对进行的检测量产生了重大影响。关于接种的疫苗总数，我们估计，每位居民额外获得 1,000 美元的财政救济，全国范围内将达到 3300 亿美元，相当于每 100,000 人额外接种近 1,200 剂疫苗，我们的置信区间上限表明我们可以排除每 100,000 人额外接种超过 7,030 剂的影响。我们发现，联邦资金预示着受过大学教育的人与受过高中教育的人之间的疫苗接种率差距会缩小。最后，我们的基线估计意味着，每 1,000 美元的人均 COVID-19 救济援助将为每 100,000 人带来 55,850 次额外检测。
我们如何改善次级CVD预防LSE_EFPIA
乘车共享公司等双面市场通常涉及一组主题，这些主题在跨时间和/或政策中做出顺序决策。随着智能手机和物联网的快速发展，它们实质上改变了人类的运输格局。在本文中，我们考虑了乘车共享公司中的大规模车队管理，这些公司涉及随着时间的推移，在不同领域接收产品序列（或治疗）的多个单位。在这些研究中出现了主要的技术挑战，例如政策评估，是因为（i）空间和时间代理会引起位置和时间之间的干扰； （ii）大量位置导致维度的诅咒。为了同时解决这两个挑战，我们引入了在这些研究中进行政策评估的多代理强化学习（MARL）框架。，我们提出了新的估计量，以确保不同产品下的平均结果，尽管州行动空间的高度差异很高。在模拟实验中提出的估计量有益。我们使用从双面覆盖的公司获得的实际数据集进一步进一步，以评估应用不同的补贴策略的效果。我们提出的方法的Python实现可在https://github.com/runzhestat/causalmarl上获得。
学习连续变量系统的量子态
引言：量子态断层扫描是量子信息学中的一项基本任务，旨在根据实验数据构建未知量子态的经典描述。量子态断层扫描的一个关键问题是：构建一个估计量的经典描述所需的最小样本数（未知状态的副本）是多少，该估计量的迹线距离与真实状态的迹线距离极有可能为 ε 接近？虽然这个问题已经在 qudit 系统中得到了广泛的解决，但对于连续变量 (CV) 系统 [1-3]，例如以无限维希尔伯特空间为特征的玻色子和量子光学系统，这是一个悬而未决的问题。关于 CV 系统量子态断层扫描的文献主要依赖于相空间近似 [4-7]，而相空间近似——至关重要的是——没有提供关于迹线距离（这是量子态之间距离最有意义的概念 [8、9]）的任何严格性能保证。鉴于量子光学平台（以 CV 系统为例）在量子计算、通信和计量等量子技术中发挥的关键作用，文献中的这一空白尤其令人惊讶。我们的工作填补了这一空白，从轨迹距离的角度对 CV 系统的量子态断层扫描进行了详尽的分析。我们分析了三类状态的断层扫描：