Evaluating treatment effects on longitudinal outcomes with attrition due to death: Methods for a two-dimentional estimand with a case study in Quality of Life
死亡导致退出时的纵向处理效应：二维目标量与生活质量案例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：摘要明确构造死亡背景下的纵向因果目标量并比较处理效应估计方法。
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
死亡导致退出时的纵向处理效应：二维目标量与生活质量案例
- 研究问题
- 纵向结果在死亡后不再存在时，如何同时表达生存机会与存活期间的结果，并在观察性研究中评价处理效应？
- 方法与思路
- 作者定义点暴露的二维存活期间因果目标量，比较回归标准化与处理、删失逆概率加权，并开展模拟和肿瘤案例。
- 材料陈述的贡献
- 摘要称两种方法共享因果识别假设，但正确模型要求不同；全部假设满足时，回归标准化因可外推而更有效率。
- 阅读关注点
- 应核对二维目标量的组成与目标人群、死亡和删失的区别，以及两种方法各自依赖的识别和模型设定条件。
- 阅读边界
- 这是 arXiv 预印本，同行评审与期刊接收未核实；摘要未列出具体因果假设，所述效率优势不能推广至模型误设情形。
原文摘要
When longitudinal outcomes are evaluated in mortal populations, their non-existence after death complicates the analysis and its causal interpretation. Where popular methods often merge longitudinal outcome and survival into one scale or otherwise try to circumvent the problem of mortality, some highly relevant questions require survival to be acknowledged as a unique condition. "\textit{What are my chances of survival}" and "\textit{What can I expect for my condition while still alive}" reflect the intrinsically two-dimensional outcome of survival and longitudinal outcome while-alive. We define a two-dimensional causal while-alive estimand for a point exposure and compare two methods for estimation in an observational setting. Regression-Standardization models survival and the observed longitudinal outcome before standardizing the latter to a target population weighted by its estimated survival. Alternatively, Inverse Probability of Treatment and Censoring Weighting weights the observed outcomes twice, to account for censoring and differences in baseline-case-mix. Both approaches rely on the same causal identification assumptions, but require different models to be correctly specified. With its potential to extrapolate, Regression-Standardization is more efficient when all assumptions are met. We show finite sample performance in a simulation study and apply the methods to a case study on quality of life in oncology.