Estimating equations for causal survival analysis with pooled logistic regression
使用合并逻辑回归的因果生存分析估计方程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：题名明确以因果生存分析为对象，摘要研究其合并逻辑回归实现与推断。
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…
使用合并逻辑回归的因果生存分析估计方程
- 研究问题
- 如何降低合并逻辑回归生存分析及其推断的计算负担，同时避免为加速计算而粗化时间或强设时间函数？
- 方法与思路
- 作者将合并逻辑回归改写为估计方程，以经验夹心方差替代计算密集的自助法，并用公开数据与模拟评价。
- 材料陈述的贡献
- 摘要称应用中运行时间明显减少且无须粗化时间，所考察模拟中经验夹心方差对应的置信区间达到名义覆盖率。
- 阅读关注点
- 核对估计方程与原实现的对应关系、夹心方差如何处理重复观测，以及删失、因果识别与模拟覆盖的条件。
- 阅读边界
- 这是 arXiv 预印本，同行评审及接收未核实；摘要未说明具体因果识别和删失假设，模拟覆盖不能保证任意数据下有效。
原文摘要
Background: Pooled logistic regression models are commonly applied in survival analysis. However, the standard implementation can be computationally demanding, which is further exacerbated when using the nonparametric bootstrap for inference. To ease these computational burdens, investigators often coarsen time intervals or assume a parametric functional form for time. These approaches impose restrictive assumptions, which may not always have a well-motivated substantive justification. Methods: Here, the pooled logistic regression model is re-framed using estimating equations to simplify computations and allow for inference via the empirical sandwich variance estimator, thus avoiding the more computationally demanding bootstrap. The proposed implementation is demonstrated using two examples with publicly available data. The performance of the empirical sandwich variance estimator is illustrated using a Monte Carlo simulation study. Results: As shown in the applied examples, the proposed implementation substantially reduced run-times and could be applied without needing to coarsen the data. In the simulation study, the empirical sandwich variance estimator results in nominal confidence interval coverage. Conclusions: The implementation proposed here offers a less computationally demanding alternative to the standard implementation of pooled logistic regression without needing to impose restrictive constraints on time.