Estimating heterogeneous treatment effects with right-censored data via causal survival forests
利用因果生存森林估计右删失数据中的异质性处理效应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：摘要直接研究观察性数据中的异质性处理效应，并明确使用无混杂假设与正交估计方程。
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…
利用因果生存森林估计右删失数据中的异质性处理效应
- 研究问题
- 在结局可能右删失的观察性生存数据中，如何估计个体特征相关的异质性处理效应，并同时处理删失与处理选择带来的问题？
- 方法与思路
- 作者提出因果生存森林，以正交估计方程为基础，在无混杂假设下调整删失和选择效应，扩展森林方法的处理效应估计应用。
- 材料陈述的贡献
- 摘要称，所提森林能够用于生存与观察性研究中的异质性效应估计，并在实验中相对若干基准方法表现良好。
- 阅读关注点
- 应核对生存处理效应的具体定义、无混杂和删失机制条件，辅助函数估计要求，以及森林构造与实验基准是否匹配目标问题。
- 阅读边界
- 这是 arXiv 预印本，不能据此认定已同行评审或期刊接收；摘要未说明删失识别条件、具体理论保证或实验数值，不能推断普遍优于基准。
原文摘要
Forest-based methods have recently gained in popularity for non-parametric treatment effect estimation. Building on this line of work, we introduce causal survival forests, which can be used to estimate heterogeneous treatment effects in a survival and observational setting where outcomes may be right-censored. Our approach relies on orthogonal estimating equations to robustly adjust for both censoring and selection effects under unconfoundedness. In our experiments, we find our approach to perform well relative to a number of baselines.