Ensuring valid inference for hazard ratios after variable selection
变量选择后危险比推断的有效性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：摘要明确研究观察性生存数据中的混杂调整、条件因果危险比和暴露效应检验，因此归入因果推断方向。
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…
变量选择后危险比推断的有效性
- 研究问题
- 在无未测量混杂的观察性生存研究中，如何选择调整变量并有效推断条件因果危险比，同时处理混杂与删失机制的差异？
- 方法与思路
- 作者提出可借助现成惩罚 Cox 回归软件实现的程序，构造暴露无效应的检验，并在标准稀疏条件下研究其一致有效性。
- 材料陈述的贡献
- 摘要称，方法处理了关键混杂变量与删失解释变量可能不同的问题；所提检验具有一致有效性，模拟也展示了高维下的有效推断。
- 阅读关注点
- 核对条件因果危险比的定义、删失处理及变量选择步骤，特别区分一致有效性的渐近含义与有限样本保证，并检查稀疏条件。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未获核实；结论依赖无未测量混杂及稀疏条件，摘要未提供完整条件或有限样本保证。
原文摘要
The problem of how to best select variables for confounding adjustment forms one of the key challenges in the evaluation of exposure effects in observational studies, and has been the subject of vigorous recent activity in causal inference. A major drawback of routine procedures is that there is no finite sample size at which they are guaranteed to deliver exposure effect estimators and associated confidence intervals with adequate performance. In this work, we will consider this problem when inferring conditional causal hazard ratios from observational studies under the assumption of no unmeasured confounding. The major complication that we face with survival data is that the key confounding variables may not be those that explain the censoring mechanism. In this paper, we overcome this problem using a novel and simple procedure that can be implemented using off-the-shelf software for penalized Cox regression. In particular, we will propose tests of the null hypothesis that the exposure has no effect on the considered survival endpoint, which are uniformly valid under standard sparsity conditions. Simulation results show that the proposed methods yield valid inferences even when covariates are high-dimensional.