MARC

 008260126s2025        us                              c    eng  d
■001000017357536
■00520260202103526
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798315798255
■035    ▼a(MiAaPQ)AAI32039291
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a610
■1001  ▼aObradovic,  Filip.▼0(orcid)0000-0003-4202-9867
■24510▼aEssays  in  Identification  and  Inference
■260    ▼a[Sl]▼bNorthwestern  University▼c2025
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2025
■300    ▼a305  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  86-12,  Section:  B.
■500    ▼aAdvisor:  Manski,  Charles  F.;Canay,  Ivan  A.
■5021  ▼aThesis  (Ph.D.)--Northwestern  University,  2025.
■520    ▼aThis  dissertation  consists  of  three  essays  studying  identification  and  inference  in  settings  pertaining  to  economics  and  medicine.  The  emphasis  is  on  developing  and  utilizing  frameworks  that  incorporate  relevant  features  of  the  underlying  empirical  context  which  may  invalidate  frequently  imposed  assumptions.The  first  chapter  studies  identification  of  long-term  treatment  effects.  Since  long-term  experimentation  is  frequently  infeasible,  a  large  body  of  recent  work  proposes  appending  a  short-term  experimental  dataset  to  longitudinal  observational  data  to  provide  more  credible  alternatives  to  observational  studies.  As  the  first  contribution,  I  show  that  justifiable  modeling  assumptions  remain  central  for  plausible  inference  despite  the  addition  of  the  experiment,  just  as  in  conventional  observational  studies.  Experimental  data  bring  no  identifying  power  on  their  own;  they  serve  only  to  amplify  the  identifying  power  of  assumptions  restricting  conditional  means  of  long-term  potential  outcomes  conditional  on  short-term  potential  outcomes---temporal  link  functions.  However,  existing  research  argues  that  previously  proposed  modeling  assumptions  may  frequently  be  challenging  to  justify.  This  motivates  the  second  contribution.  I  introduce  the  use  of  treatment  response  assumptions  that  only  restrict  the  shape  of  temporal  link  functions  and  may  thus  be  defensible  based  on  economic  intuition  or  theory.  As  the  third  contribution,  I  introduce  a  novel  identification  framework  which  yields  the  smallest  possible,  i.e.,  sharp,  bounds  on  the  long-term  average  treatment  effect  under  a  broad  class  of  restrictions  on  temporal  link  functions  and  imperfect  compliance  in  the  experiment.  The  framework  produces  the  bounds  via  solutions  to  generalized  bilinear  problems.  It  thus:  1)  enables  the  use  of  the  proposed  treatment  response  assumptions;  2)  facilitates  the  development  of  new  justifiable  assumptions  by  removing  the  need  to  prove  sharpness;  3)  extends  existing  methods  to  account  for  imperfect  compliance.The  second  chapter  studies  the  measurement  of  misclassification  rates  of  diagnostic  tests  and  general  binary  classifiers.  The  rates  are  of  great  interest  to  regulators  and  clinicians.  However,  their  identification  requires  knowledge  of  the  underlying  ground  truth,  which  is  often  measured  by  an  imperfect  reference  test  or  classifier.  The  common  practice  is  thus  to  report  misclassification  rates  with  respect  to  the  reference---"apparent''  misclassification  rates---which  do  not  measure  true  performance.  The  first  contribution  are  the  sharp  bounds  on  the  measures  of  true  performance---sensitivity  (true  positive  rate)  and  specificity  (true  negative  rate),  or  equivalently  false  positive  and  negative  rates,  under  standard  assumptions  in  performance  studies.  The  second  contribution  is  the  construction  of  uniformly  consistent  confidence  sets  in  level  over  a  relevant  family  of  data  distributions.  This  allows  researchers  to  account  for  statistical  imprecision,  which  is  typically  recommended  by  relevant  regulatory  guidelines.  As  the  third  contribution,  I  revisit  the  performance  of  the  ubiquitous  BinaxNOW  COVID-19  antigen  test,  based  on  Emergency  Use  Authorization  and  independent  study  data.  The  analysis  reveals  that  the  estimated  false  negative  rates  for  symptomatic  and  asymptomatic  patients  are,  respectively,  up  to  3.17  and  4.59  times  higher  than  the  frequently  cited  "apparent''  false  negative  rate.  This  finding  brings  into  question  whether  the  test  would  have  met  the  contemporaneous  threshold  for  Emergency  Use  Authorization  once  the  imperfections  of  the  reference  test  are  taken  into  account.The  third  chapter  (joint  work  with  Gabriel  Ziegler)  shows  that  dilation  is  a  real-world  phenomenon  that  may  be  induced  by  diagnostic  tests  under  established  clinical  practice.  Clinicians  often  seek  to  determine  the  probability  that  a  patient  has  a  suspected  illness  conditional  on  a  test  result.  Dilation  entails  that  conditioning  on  any  test  result  only  introduces  uncertainty  about  the  patient's  health  status  and  has  been  mostly  considered  a  theoretical  curiosity.  As  the  first  contribution,  we  show  that  dilation  may  be  induced  by  conditioning  on  diagnostic  tests  whose  misclassification  rates  are  evaluated  with  respect  to  an  imperfect  reference,  which  is  widespread.  Moreover,  dilation  may  occur  even  when  tests  are  approved  or  recommended  based  on  satisfactory  "apparent''  misclassification  rates,  often  used  as  the  primary  criterion  for  evaluation.  This  motivates  the  second  contribution.  We  enable  decision-makers  to  identify  such  diagnostic  tests  by  equivalently  characterizing  when  dilation  is  induced,  and  providing  a  statistical  testing  procedure  that  is  uniformly  consistent  in  level  for  a  large  family  of  relevant  data-generating  processes.  For  the  third  contribution,  we  study  computed  tomography  (CT)  chest  scans  for  detecting  COVID-19  infection  that  were  recommended  as  a  primary  detection  tool  in  epidemic  areas  based  on  conventional  "apparent''  performance  measures.  We  find  that  they  induced  dilation  and  thus  only  introduced  uncertainty  about  the  patient's  health  status.
■590    ▼aSchool  code:  0163.
■650  4▼aMedicine
■653    ▼aLong-term  experimentation
■653    ▼aObservational  data
■653    ▼aEconomic  intuition
■653    ▼aComputed  tomography
■690    ▼a0501
■690    ▼a0511
■690    ▼a0564
■71020▼aNorthwestern  University▼bEconomics.
■7730  ▼tDissertations  Abstracts  International▼g86-12B.
■790    ▼a0163
■791    ▼aPh.D.
■792    ▼a2025
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17357536▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서