A General Estimator of the Treatment Effect When the Data are Heavily Censored
严重删失数据下处理效应的一般估计量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。
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：摘要明确以两样本处理效应为估计目标，并讨论右删失下的推断，但未说明因果识别设计。
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…
严重删失数据下处理效应的一般估计量
- 研究问题
- 两样本右删失问题中，如何在删失严重且两组程度不等时估计处理效应，并获得一致性、渐近分布与可估方差？
- 方法与思路
- 作者采用逆分位数型思路，在 Kaplan–Meier 估计一致的子空间上使用其截断版本，构造广义 Hodges–Lehmann 型估计量。
- 材料陈述的贡献
- 摘要称该估计可具有强一致性和渐近正态性，方差容易估计；在严重不等删失的模拟中，相对已有程序表现更好。
- 阅读关注点
- 应核对处理效应的具体定义、非信息性删失前提、截断子空间的选择，以及渐近结果和模拟优势分别适用的条件。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；“对非信息性删失无条件”不代表允许信息性删失，且摘要未说明因果识别设计或比较数值。
原文摘要
A generalized Hodges-Lehmann type estimator for the treatment effect in the two-sample problem with right censoring, is proposed based on an inverse-quantile-type idea using truncated versions of the Kaplan-Meier estimators over the subspace where they are consistent. Its strong consistency and asymptotic normality can be obtained, under no conditions on the uninformative censorings, and the resulting variance is easily estimable from the data. In simulation studies the proposed estimator is superior to existing procedures in the presence of heavy unequal censoring.