Doubly Robust Estimation under Covariate Dependent Censoring in Semi-Competing Risks Data
协变量依赖删失下半竞争风险数据的双重稳健估计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。
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：摘要明确构造删失条件下的因果目标量，并评估中年重度饮酒对晚年认知障碍与死亡的因果效应。
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…
关注这篇论文的作者
协变量依赖删失下半竞争风险数据的双重稳健估计
- 研究问题
- 终末事件会阻断非终末事件、且删失依赖协变量时，如何估计不同事件路径的风险，并进一步识别和估计治疗效应？
- 方法与思路
- 作者基于粗化数据的半参数理论建立增广删失逆概率加权框架，并结合增广治疗逆概率加权，估计三类治疗特定风险。
- 材料陈述的贡献
- 摘要称，该框架适应半竞争风险的不对称事件结构，所得估计量具有双重稳健性，并通过模拟及饮酒、认知障碍和死亡数据应用展示。
- 阅读关注点
- 应核对三类风险的目标定义、终末事件与一般删失的区别，以及因果识别条件和双重稳健性具体允许哪些模型设定错误。
- 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；摘要未说明识别假设、稳健性的模型组合及模拟性能数值。
原文摘要
Semi-competing risks occur when individuals may experience a non-terminal event and a terminal event, where the terminal event censors the non-terminal event but not vice versa. In the presence of covariate-dependent censoring, augmented inverse probability of censoring weighting (AIPCW) framework has not been developed for the special setting of semi-competing risks which, unlike competing risks, have asymmetric event time structure and complex estimands. Using semiparametric theory on coarsened data, we carefully develop an AIPCW framework for semi-competing risks. When treatment effects are of interest, we further integrate this approach with augmented inverse probability of treatment weighting (AIPTW), yielding a framework for estimating causal estimands under covariate-dependent censoring. The resulting estimators are shown to be doubly robust. Using the proposed framework, we estimate treatment specific risks of: i) non-terminal event, ii) terminal event without the non-terminal event, and iii) terminal event following the non-terminal event. We evaluate the finite sample performance through simulations, and apply the method to data from the Honolulu Asia Aging Study to assess the causal effects of midlife heavy drinking on late life cognitive impairment and mortality.