Estimands and doubly robust estimation for cluster-randomized trials with survival outcomes
生存结局聚类随机试验的目标参数与双重稳健估计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：摘要以聚类随机试验的潜在结果目标参数和处理效应估计为核心。
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…
生存结局聚类随机试验的目标参数与双重稳健估计
- 研究问题
- 具有右删失生存结局的聚类随机试验中，如何区分聚类层面与个体层面的处理效应，并估计各自目标参数？
- 方法与思路
- 作者在潜在结果框架下定义生存函数和限制平均生存时间相关目标，提出双重稳健估计，并研究删除式 jackknife 方差估计。
- 材料陈述的贡献
- 摘要称，在协变量相关删失下，删失或结局模型之一正确即可保证一致性；模拟和已完成试验用于展示有限样本表现。
- 阅读关注点
- 应核对两类目标参数的加权差异、删失机制的假设、双重稳健性所需条件，以及删除单位和区间估计的构造。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未核实；摘要未列出完整删失及正则条件，也未提供覆盖率或试验效果数值。
原文摘要
Cluster-randomized trials (CRTs) are experimental designs where groups or clusters of participants, rather than the individual participants themselves, are randomized to intervention groups. Analyzing CRT requires distinguishing between treatment effects at the cluster level and the individual level, which requires a clear definition of the estimands under the potential outcomes framework. For analyzing survival outcomes, it is common to assess the treatment effect by comparing survival functions or restricted mean survival times between treatment groups. In this article, we formally characterize cluster-level and individual-level treatment effect estimands with right-censored survival outcomes in CRTs and propose doubly robust estimators for targeting such estimands. Under covariate-dependent censoring, our estimators ensure consistency when either the censoring model or the outcome model is correctly specified, but not necessarily both. We explore different modeling options for the censoring and outcome models to estimate the censoring and survival distributions, and investigate a deletion-based jackknife method for variance and interval estimation. Extensive simulations demonstrate that the proposed methods perform adequately in finite samples. Finally, we illustrate our method by analyzing a completed CRT with survival endpoints.