Simulating data from marginal structural models for a survival time outcome
从生存结局边际结构模型生成模拟数据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：摘要围绕时变混杂下的边际结构模型、IPTW 因果估计及其模拟评价。
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
从生存结局边际结构模型生成模拟数据
- 研究问题
- 存在时变混杂时，如何生成与目标生存结局边际结构模型相容的数据，以便在更灵活的处理与风险设定下评价因果估计方法？
- 方法与思路
- 作者提出生存数据模拟算法，支持离散时间逻辑模型及连续时间 Cox、加性风险边际结构模型，也允许基线条件风险和多种处理类型。
- 材料陈述的贡献
- 摘要称该算法克服已有模拟方法对生成机制的限制，并用简短模拟比较 IPTW 拟合边际结构模型时两种置信区间的覆盖率。
- 阅读关注点
- 应核对生成数据如何保证目标模型正确、时变混杂与删失怎样构造、处理支持范围，以及两种置信区间的计算和覆盖评价。
- 阅读边界
- 所给版本为 arXiv 预印本，同行评审及接收状态未核验；摘要未列算法步骤、具体限制或覆盖率数值，无法判断区间方法优劣。
原文摘要
Marginal structural models (MSMs) are often used to estimate causal effects of treatments on survival time outcomes from observational data when time-dependent confounding may be present. They can be fitted using, e.g., inverse probability of treatment weighting (IPTW). It is important to evaluate the performance of statistical methods in different scenarios, and simulation studies are a key tool for such evaluations. In such simulation studies, it is common to generate data in such a way that the model of interest is correctly specified, but this is not always straightforward when the model of interest is for potential outcomes, as is an MSM. Methods have been proposed for simulating from MSMs for a survival outcome, but these methods impose restrictions on the data-generating mechanism. Here we propose a method that overcomes these restrictions. The MSM can be a marginal structural logistic model for a discrete survival time or a Cox or additive hazards MSM for a continuous survival time. The hazard of the potential survival time can be conditional on baseline covariates, and the treatment variable can be discrete or continuous. We illustrate the use of the proposed simulation algorithm by carrying out a brief simulation study. This study compares the coverage of confidence intervals calculated in two different ways for causal effect estimates obtained by fitting an MSM via IPTW.