Flexible Doubly Robust Proximal Causal Inference for Censored Outcomes
面向删失结局的灵活双稳健近端因果推断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：摘要核心为未测混杂下的因果效应识别与双稳健估计，属于因果推断方向；其余细分领域在摘要中无直接文本依据。
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…
面向删失结局的灵活双稳健近端因果推断
- 研究问题
- 摘要称，在存在未测混杂且结局为右删失的生存时间时，如何估计因果效应；现有近端生存方法多依赖限制性参数桥模型，作者希望放松这一限制。
- 方法与思路
- 作者提出 Proximal Survival Bridge learning（PSB）框架，基于已有的处理特异生存曲线近端识别，构造结局桥（OB）、处理桥（TB）与双稳健（DR）估计量，并给出两种灵活桥学习器：低秩时间分解的核估计 PSB-K，以及用投影最大矩限制损失训练的神经网络估计 PSB-N。
- 材料陈述的贡献
- 摘要称该框架可直接处理删失与生存曲线目标，区别于针对标量结局的既有灵活近端学习器；并在标准 SEM 基准、近端半合成 ACTG 研究与真实 Framingham 研究中报告结果，PSB-K 在 SEM 与 ACTG 上表现最强，PSB-N 在 Framingham 上最稳定。
- 阅读关注点
- 应核对近端识别所需假设与桥函数条件、OB/TB/DR 估计量的具体构造与双稳健性成立条件、PSB-K 低秩分解与 PSB-N 矩限制损失的实现细节，以及基准与实证中代理变量有效性、删失程度和对比基线设置。
- 阅读边界
- 仅凭摘要无法判断识别假设是否成立、估计量的理论性质与渐近结果、模拟与实证的具体数值及稳健性程度；摘要未说明代理变量失效时的正式诊断方法。该文为 arXiv 预印本，未经同行评审验证，不能据此声称已被期刊接收。
原文摘要
Estimating causal effects on right-censored time-to-event outcomes is challenging under unmeasured confounding. Proximal causal inference addresses unmeasured confounding through proxy variables, but existing proximal survival methods rely largely on restrictive parametric bridge models. We introduce Proximal Survival Bridge learning (PSB), a flexible doubly robust proximal framework for censored outcomes. Building on existing proximal identification of treatment-specific survival curves, the framework yields outcome-bridge (OB), treatment-bridge (TB), and doubly robust (DR) estimators, with two flexible bridge learners: PSB-K, a kernel estimator with a low-rank time decomposition, and PSB-N, a neural estimator trained by a projected maximum-moment-restriction loss. Unlike existing flexible proximal learners for scalar outcomes, PSB directly handles censoring and survival-curve targets. On a standard SEM benchmark, a proximal semi-synthetic ACTG study, and the real-world Framingham study, PSB-K performs strongest on SEM and ACTG, whereas PSB-N is the most stable on Framingham. Additional results with modern causal survival baselines, weakened or invalid proxies, and heavier censoring assess robustness across challenging settings.