Synthetic Survival Control: Extending Synthetic Controls for "When-If" Decision
合成生存控制：面向事件发生时间反事实的合成控制扩展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：摘要明确在多单位多时期面板中使用合成控制估计反事实生存轨迹和因果效应。
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
合成生存控制：面向事件发生时间反事实的合成控制扩展
- 研究问题
- 面对删失、小样本和非随机治疗安排，如何估计干预改变事件发生时间的效果，尤其在多单位、多时期及不同治疗并存的面板环境中？
- 方法与思路
- 作者提出合成生存控制，将目标单位的反事实风险率轨迹表示为其他单位观测轨迹的加权组合，并以低秩面板框架支持因果生存分析。
- 材料陈述的贡献
- 摘要称，低秩框架下目标效应可识别且有有限样本保证；跨国癌症治疗应用中，新疗法可及性与低于合成对照的干预后风险率相关。
- 阅读关注点
- 应核对删失机制、低秩结构及供体轨迹的可用性，治疗时序与混杂的识别要求，以及风险率目标、权重构造和有限样本保证的范围。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收均未核验；摘要未说明完整识别和删失条件，也未提供效应数值，应用中的关联仍需核对因果依据。
原文摘要
Estimating causal effects on time-to-event outcomes from observational data is particularly challenging due to censoring, limited sample sizes, and non-random treatment assignment. The need for answering such "when-if" questions--how the timing of an event would change under a specified intervention--commonly arises in real-world settings with heterogeneous treatment adoption and confounding. To address these challenges, we propose Synthetic Survival Control (SSC) to estimate counterfactual hazard trajectories in a panel data setting where multiple units experience potentially different treatments over multiple periods. In such a setting, SSC estimates the counterfactual hazard trajectory for a unit of interest as a weighted combination of the observed trajectories from other units. To provide formal justification, we introduce a panel framework with a low-rank structure for causal survival analysis. Indeed, such a structure naturally arises under classical parametric survival models. Within this framework, for the causal estimand of interest, we establish identification and finite sample guarantees for SSC. We validate our approach using a multi-country clinical dataset of cancer treatment outcomes, where the staggered introduction of new therapies creates a quasi-experimental setting. Empirically, we find that access to novel treatments is associated with improved survival, as reflected by lower post-intervention hazard trajectories relative to their synthetic counterparts. Given the broad relevance of survival analysis across medicine, economics, and public policy, our framework offers a general and interpretable tool for counterfactual survival inference using observational data.