Graphical criteria for the identification of marginal causal effects in continuous-time survival and event-history analyses
连续时间生存与事件史分析中边际因果效应识别的图准则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：摘要明确研究随机干预效应的非参数识别、因果图规则与观察数据加权，直接对应因果推断。
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…
连续时间生存与事件史分析中边际因果效应识别的图准则
- 研究问题
- 在连续时间生存或事件史数据中，何时能通过重新加权，从观察数据识别改变时变治疗过程强度的随机干预效应？
- 方法与思路
- 作者将因果语义与多元计数过程的局部独立模型结合，提出动态因果图规则，判断观测信息及删失结构是否支持效应识别。
- 材料陈述的贡献
- 摘要称，结果给出不依赖特定生存模型的一般非参数识别，并强调删失还需通常独立删失之外的结构假设，以 HPV 筛查示例展示。
- 阅读关注点
- 应核对随机强度干预的定义、图规则与加权公式之间的关系、额外删失假设，以及示例中累计发生曲线的目标效应。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未获核实；摘要未给出完整图准则、加权所需条件和 HPV 应用的具体效应结果。
原文摘要
We consider continuous-time survival or more general event-history settings, where the aim is to infer the causal effect of a time-dependent treatment process. This is formalised as the effect on the outcome event of a (possibly hypothetical) intervention on the intensity of the treatment process, i.e. a stochastic intervention. To establish whether valid inference about the interventional situation can be drawn from typical observational, i.e. non-experimental, data we propose graphical rules indicating whether the observed information is sufficient to identify the desired causal effect by suitable re-weighting. In analogy to the well-known causal directed acyclic graphs, the corresponding dynamic graphs combine causal semantics with local independence models for multivariate counting processes. Importantly, we highlight that causal inference from censored data requires structural assumptions on the censoring process beyond the usual independent censoring assumption, which can be represented and verified graphically. Our results establish general non-parametric identifiability and do not rely on particular survival models. We illustrate our proposal with a data example on HPV-testing for cervical cancer screening, where the desired effect is estimated by re-weighted cumulative incidence curves.