Variance Estimation for the Inverse Probability of Treatment Weighted Kaplan Meier Estimator
逆处理概率加权Kaplan–Meier估计量的方差估计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：摘要明确研究倾向评分加权下处理特定潜在生存时间及其因果效应推断。
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
逆处理概率加权Kaplan–Meier估计量的方差估计
- 研究问题
- 在有右删失的观察性生存研究中，倾向评分由数据估计时，如何正确估计逆处理概率加权Kaplan–Meier生存曲线的方差？
- 方法与思路
- 作者对使用估计倾向评分的加权Kaplan–Meier估计量开展渐近分析，构造一致的代入方差估计，并与既有方差公式进行模拟比较。
- 材料陈述的贡献
- 摘要称既有公式忽略权重估计的变动，估计倾向评分反而倾向于减小渐近方差；提出的方差估计在模拟中比既有公式更准确。
- 阅读关注点
- 应核对倾向评分和删失机制的条件、权重估计如何进入渐近方差，以及方差减小结论的适用范围和模拟中的区间覆盖表现。
- 阅读边界
- 这是预印本，同行评审或期刊接收未核实。摘要未列明模型与删失假设，不能据此断言估计倾向评分在所有情形都能降低方差。
原文摘要
In a widely cited paper, Xie and Liu (henceforth XL) proposed to use inverse probability of treatment weighting (IPTW) to account for possible confounding in observational studies with survival endpoints subject to right censoring. Their proposal includes an IPTW Kaplan-Meier (KM) estimator for the survival function of a treatment-specific potential failure time, which can be used to evaluate the causal effect of one treatment versus another. The IPTW KM estimator is remarkably simple and highly effective for confounding bias correction. The method has been implemented in SAS's popular procedure LIFETEST for analyzing survival data and has seen widespread use. This letter is concerned with variance estimation for the IPTW KM estimator. The variance estimator provided by XL does not account for the variability of the IPTW weight when the propensity score is estimated from data, as is usually the case in observational studies. In this letter, we provide a rigorous asymptotic analysis of the IPTW KM estimator based on an estimated propensity score. Our analysis indicates that estimating the propensity score does tend to result in a smaller asymptotic variance, which can be estimated consistently using a plug-in variance estimator. We also present a simulation study comparing the variance estimator we propose with the XL variance estimator. Our simulation results confirm that the proposed variance estimator is more accurate than the XL variance estimator, which tends to over-estimate the sampling variance of the IPTW KM estimator.