A sensitivity analysis approach for the causal hazard ratio in randomized and observational studies
随机与观测研究中因果风险率比的敏感性分析AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要围绕存活选择、因果风险率比识别及混杂调整展开。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
随机与观测研究中因果风险率比的敏感性分析
- 研究问题
- 传统风险率比因条件化于处理后存活而存在选择问题，如何识别无论接受哪种处理都会存活者的因果风险率比，并分析其敏感性？
- 方法与思路
- 作者在随机试验中利用工作脆弱性模型开展敏感性识别，再以处理逆概率加权调整潜在混杂，提出右删失下的 Cox 与核估计方法。
- 材料陈述的贡献
- 摘要提出因果风险率比的敏感性分析框架及两类估计方法，扩展至混杂调整情形，并通过模拟考察有限样本性质、用两个数据例子说明。
- 阅读关注点
- 应核对始终存活人群的定义、敏感性参数和工作模型，以及混杂调整、右删失处理与 Cox、非参数核估计各自依赖的条件。
- 阅读边界
- 所给版本为 arXiv 预印本，同行评审或接收未核实；摘要未列识别和删失条件，敏感性分析不能被视为无需额外假设的点识别。
原文摘要
The Hazard Ratio (HR) is often reported as the main causal effect when studying survival data. Despite its popularity, the HR suffers from an unclear causal interpretation. As already pointed out in the literature, there is a built-in selection bias in the HR, because similarly to the truncation by death problem, the HR conditions on post-treatment survival. A recently proposed alternative, inspired by the Survivor Average Causal Effect (SACE), is the causal HR, defined as the ratio between hazards across treatment groups among the study participants that would have survived regardless of their treatment assignment. We discuss the challenge in identifying the causal HR and present a sensitivity analysis identification approach in randomized controlled trials utilizing a working frailty model. We further extend our framework to adjust for potential confounders using inverse probability of treatment weighting. We present a Cox-based and a flexible non-parametric kernel-based estimation under right censoring. We study the finite-sample properties of the proposed estimation method through simulations. We illustrate the utility of our framework using two real-data examples.