Martingale R-learner: Estimating Time-varying Heterogeneous Treatment Effects for Time-to-event Outcomes
鞅 R 学习器：事件时间结果的时变异质性治疗效应估计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：摘要直接研究事件时间结果下异质性治疗效应及正交化估计，属于因果推断方向。
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
鞅 R 学习器：事件时间结果的时变异质性治疗效应估计
- 研究问题
- 对于事件发生时间结果，如何非参数估计随时间和个体特征变化的异质性治疗效应，同时降低生存与倾向模型估计偏差的影响？
- 方法与思路
- 作者提出函数型得分并推广 Neyman 正交性，将条件鞅残差分解为风险集倾向残差与边际鞅，构造可结合机器学习的 R 学习器。
- 材料陈述的贡献
- 摘要称，在所需条件下方法具有预言性质并达到标准非参数最优速率；数值实验支持理论表现，应用于饮酒与痴呆的关系研究。
- 阅读关注点
- 应核对生存效应的具体尺度、删失及混杂的处理条件、风险集倾向的定义，以及函数型正交性和预言速率对辅助估计的要求。
- 阅读边界
- 这是 arXiv 预印本，同行评审与期刊接收未核实；摘要未展开识别和速率条件，也未报告应用效应数值，不能仅凭应用确认因果解释。
原文摘要
Biological research and clinical evidence suggest that treatment response may vary substantially along characteristics, such as comorbidities, genetic variants, environmental, or socio-economic factors. Future precision medicine requires accurate assessment of heterogeneous treatment effects (HTE) to guide optimal clinical decisions at the individual level. We introduce a functional score framework that extends the traditional estimating equations for survival data to nonparametric HTE and generalize the Neyman orthogonality accordingly, thus filling a methodological as well as theoretical gap. Under the Neyman orthogonal functional score framework, we developed the martingale R-learner based on a decomposition of the conditional martingale residuals into residuals of the risk-set propensity score and the marginal martingale, thereby reducing the impact of estimation bias in HTE from nuisance models including (1) marginal survival, and (2) risk-set propensity scores. This enables leveraging advances in machine learning and incorporates flexible estimators for the nuisance functions and attaining the standard optimal nonparametric estimation rate with the oracle property. Numerical experiments demonstrated empirical performance consistent with the theory. We applied the martingale R-learner to estimate the effect of alcohol on dementia using the Honolulu-Asia Aging Study data.