Identification and estimation of causal effects with outcomes truncated by death
死亡截断结局下因果效应的识别与估计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。
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存活者平均因果效应的识别与估计。
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…
死亡截断结局下因果效应的识别与估计
- 研究问题
- 当研究结局因受试者死亡而无法测量时，如何避免仅分析存活者产生的选择偏误，并识别两种暴露下均会存活者的平均因果效应？
- 方法与思路
- 作者提出用替代变量辅助识别潜在的始终存活群体，其条件在概念上类似条件工具变量，并构建用于效应估计的新模型参数化。
- 材料陈述的贡献
- 摘要称，在所提出的替代变量识别条件下，存活者平均因果效应可以识别；作者给出估计方法，并以模拟和数据分析展示应用。
- 阅读关注点
- 应核对替代变量须满足的具体条件、它与潜在存活群体的联系，以及随机研究与观察研究中这些条件分别如何论证和实施。
- 阅读边界
- 仅据版本未注明的索引摘要，无法判断替代变量条件的可信度、估计模型误设的影响或模拟表现；不能推断其他版本变化。
原文摘要
It is common in medical studies that the outcome of interest is truncated by death, meaning that a subject has died before the outcome could be measured. In this case, restricted analysis among survivors may be subject to selection bias. Hence, it is of interest to estimate the survivor average causal effect, defined as the average causal effect among the subgroup consisting of subjects who would survive under either exposure. In this paper, we consider the identification and estimation problems of the survivor average causal effect. We propose to use a substitution variable in place of the latent membership in the always-survivor group. The identification conditions required for a substitution variable are conceptually similar to conditions for a conditional instrumental variable, and may apply to both randomized and observational studies. We show that the survivor average causal effect is identifiable with use of such a substitution variable, and propose novel model parameterizations for estimation of the survivor average causal effect under our identification assumptions. Our approaches are illustrated via simulation studies and a data analysis.