Debiased machine learning for counterfactual survival functionals based on left-truncated right-censored data
基于左截断右删失数据的反事实生存泛函去偏机器学习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：摘要明确估计二元暴露下的反事实生存联合分布及其泛函，同时涉及因果推断和分布层面的研究目标。
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…
基于左截断右删失数据的反事实生存泛函去偏机器学习
- 研究问题
- 在生存时间受到协变量相关左截断和右删失时，如何估计二元暴露下的反事实生存分布，并推断其平滑汇总指标？
- 方法与思路
- 作者在基线协变量足以去混杂的设定下，构造反事实生存时间与协变量联合分布的非参数去偏机器学习估计及推断程序。
- 材料陈述的贡献
- 摘要称，该程序容许灵活的干扰参数学习并具有一定稳健性，可对联合分布的平滑摘要开展逐点或一致推断。
- 阅读关注点
- 应核对截断、删失与暴露机制的识别条件，稳健性的具体形式，以及机器学习误差条件如何支持逐点和一致推断。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要未给出完整识别条件、稳健性组合或一致推断所需的技术限制。
原文摘要
Learning causal effects of a binary exposure on time-to-event endpoints can be challenging because survival times may be partially observed due to censoring and systematically biased due to truncation. In this work, we present debiased machine learning-based nonparametric estimators of the joint distribution of a counterfactual survival time and baseline covariates for use when the observed data are subject to covariate-dependent left truncation and right censoring and when baseline covariates suffice to deconfound the relationship between exposure and survival time. Our inferential procedures explicitly allow the integration of flexible machine learning tools for nuisance estimation, and enjoy certain robustness properties. The approach we propose can be directly used to make pointwise or uniform inference on smooth summaries of the joint counterfactual survival time and covariate distribution, and can be valuable even in the absence of interventions, when summaries of a marginal survival distribution are of interest. We showcase how our procedures can be used to learn a variety of inferential targets and illustrate their performance in simulation studies.