Matching methods for truncation by death problems
死亡截断问题的匹配方法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：摘要直接研究死亡截断下的主分层因果效应识别、匹配估计和敏感性分析。
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
死亡截断问题的匹配方法
- 研究问题
- 当死亡使随访结果无法定义，并破坏幸存者之间的协变量平衡时，如何识别和估计无论接受何种处理都会存活者的平均因果效应？
- 方法与思路
- 作者给出幸存者平均因果效应的识别结果，用匹配恢复幸存者的协变量平衡，并讨论距离、重复匹配、匹配后估计及敏感性分析。
- 材料陈述的贡献
- 摘要称，论文提供匹配式 SACE 识别与估计方法，展示模拟和实际应用，并给出跨世界假设的敏感性分析及条件可分离效应扩展。
- 阅读关注点
- 应核对主分层与跨世界识别假设、匹配所恢复的平衡对象，以及敏感性参数和条件可分离效应扩展所需的额外解释与条件。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未经核实。随机化本身不解决死亡截断，摘要未说明完整跨世界假设及敏感性分析结果。
原文摘要
Even in a carefully designed randomized trial, outcomes for some study participants can be missing, or more precisely, ill-defined, because participants had died prior to date of outcome collection. This problem, known as truncation by death, means that the treated and untreated are no longer balanced with respect to covariates determining survival. Therefore, researchers often utilize principal stratification and focus on the Survivor Average Causal Effect (SACE). The SACE is the average causal effect among the subpopulation that will survive regardless of treatment status. In this paper, we present matching-based methods for SACE identification and estimation. We provide an identification result for the SACE that motivates the use of matching to restore the balance among the survivors. We discuss various practical issues, including the choice of distance measures, possibility of matching with replacement, and post-matching crude and model-based SACE estimators. Simulation studies and data analysis demonstrate the flexibility of our approach. Because the cross-world assumptions needed for SACE identification can be too strong, we also present sensitivity analysis techniques and illustrate their use in real data analysis. Finally, we show how our approach can also be utilized to estimate conditional separable effects, a recently-proposed alternative for the SACE.