Treatment Effect Estimation in Causal Survival Analysis: Practical Recommendations
因果生存分析中的处理效应估计：实践建议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：摘要以随机试验和观察研究中的生存处理效应为目标，明确讨论因果识别及估计，因此归入因果推断。
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…
因果生存分析中的处理效应估计：实践建议
- 研究问题
- 以限制平均生存时间差衡量处理效应时，随机试验和观察研究应如何在不同删失机制及模型设定下选择估计量？
- 方法与思路
- 作者统一梳理识别与渐近性质，以模拟比较 Kaplan–Meier、G公式、加权、变换及增广估计方法。
- 材料陈述的贡献
- 摘要给出分场景的估计量选择建议，称增广方法在观察研究中通常具有较好的模型稳健性及偏差方差权衡。
- 阅读关注点
- 应核对因果识别和删失处理条件、各方法依赖的模型，以及模拟中模型误设方式与样本量如何影响结论。
- 阅读边界
- 这是 arXiv 预印本，同行评审及接收未核实；摘要未列明识别条件，所述方法表现不能外推至所有生存数据。
原文摘要
The restricted mean survival time (RMST) difference offers an interpretable causal contrast to estimate the treatment effect for time-to-event outcomes, yet a wide range of available estimators leaves limited guidance for practice. We provide a unified review of RMST estimators for randomized trials and observational studies, establish identification and asymptotic properties, and supply new derivations where needed. Our extensive simulation study compares simple nonparametric methods (such as unweighted Kaplan-Meier estimators) alongside parametric and nonparametric implementations of the G-formula, weighting approaches, Buckley-James transformations, and augmented estimators under diverse censoring mechanisms and model specifications. Across scenarios, classical Kaplan-Meier estimators (weighted when required by the censoring process) and G-formula methods perform well in randomized settings, while in observational data G-formula estimators remain competitive; however, augmented estimators such as AIPTW-AIPCW generally offer robustness to model misspecification and a favorable bias-variance trade-off. Parametric estimators perform best under correct specification, whereas nonparametric methods avoid functional assumptions but require large sample sizes to achieve reliable performance. We offer practical recommendations for estimator choice and provide open-source R code to support reproducibility and application.