A general estimator of the treatment effect when the data are heavily censored
重度删失数据下处理效应的一般估计量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。
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：摘要以逆分位数及 Kaplan–Meier 分布估计构造两样本处理效应估计量。
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…
重度删失数据下处理效应的一般估计量
- 研究问题
- 在两样本右删失问题中，尤其删失严重且两组程度不同时，如何估计处理效应并构造可实施的渐近推断？
- 方法与思路
- 作者基于逆分位数思路提出广义 Hodges–Lehmann 型估计量，在 Kaplan–Meier 估计保持一致的区域使用其截断版本。
- 材料陈述的贡献
- 摘要称在非信息性删失框架下可得强一致性和渐近正态性，方差可由数据估计；模拟报告重度不等删失时优于已有程序。
- 阅读关注点
- 应核对处理效应的参数定义、非信息性删失的含义、截断区域的选择，以及渐近结果与模拟优势各自适用的条件。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；其他正则条件与模拟设定未说明，不能把结论推广到信息性删失或任意因果效应。
原文摘要
A generalized Hodges-Lehmann type estimator for the treatment effect in the two-sample problem with right censoring, is proposed based on an inverse-quantile-type idea using truncated versions of the Kaplan-Meier estimators over the subspace where they are consistent. Its strong consistency and asymptotic normality can be obtained, under no conditions on the uninformative censorings, and the resulting variance is easily estimable from the data. In simulation studies the proposed estimator is superior to existing procedures in the presence of heavy unequal censoring.