Intervention treatment distributions that depend on the observed treatment process and model double robustness in causal survival analysis
依赖观测处理过程的干预分布与因果生存分析中的模型双重稳健性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：摘要研究纵向干预下生存概率的因果估计、有效影响函数及双重和多重稳健性。
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
依赖观测处理过程的干预分布与因果生存分析中的模型双重稳健性
- 研究问题
- 当随机干预的处理分布依赖观测处理过程时，哪些条件能保证生存概率估计仍具有双重稳健或多重稳健性质？
- 方法与思路
- 作者围绕广义 g 公式与有效影响函数，给出点处理的充分条件及纵向干预分布类别，并提出受 PrEP 启动研究启发的干预。
- 材料陈述的贡献
- 摘要称所提干预存在双重及多重稳健估计量，并有可结合机器学习达到快速收敛的估计方法，理论结果得到模拟支持。
- 阅读关注点
- 应核对干预分布对观测处理机制的依赖形式、稳健性允许哪些模型误设，以及快速收敛所需的辅助估计条件。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核验；摘要未列出充分条件、具体收敛率及识别要求，不能推广至所有随机干预。
原文摘要
The generalized g-formula can be used to estimate the probability of survival under a sustained treatment strategy. When treatment strategies are deterministic, estimators derived from the so-called efficient influence function (EIF) for the g-formula will be doubly robust to model misspecification. In recent years, several practical applications have motivated estimation of the g-formula under non-deterministic treatment strategies where treatment assignment at each time point depends on the observed treatment process. In this case, EIF-based estimators may or may not be doubly robust. In this paper, we provide sufficient conditions to ensure existence of doubly robust estimators for intervention treatment distributions that depend on the observed treatment process for point treatment interventions, and give a class of intervention treatment distributions dependent on the observed treatment process that guarantee model doubly and multiply robust estimators in longitudinal settings. Motivated by an application to pre-exposure prophylaxis (PrEP) initiation studies, we propose a new treatment intervention dependent on the observed treatment process. We show there exist 1) estimators that are doubly and multiply robust to model misspecification, and 2) estimators that when used with machine learning algorithms can attain fast convergence rates for our proposed intervention. Theoretical results are confirmed via simulation studies.