A Bayesian Nonparametric Approach for Semi-Competing Risks with Application to Cardiovascular Health
半竞争风险的贝叶斯非参数方法及心血管健康应用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：摘要明确使用主层分层定义处理效应，并讨论因果假设的敏感性，因此归入因果推断。
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…
半竞争风险的贝叶斯非参数方法及心血管健康应用
- 研究问题
- 当死亡等终末事件阻止非终末事件发生时，如何估计处理对非终末事件的因果效应，并限定于指定时点后仍存活的主层？
- 方法与思路
- 作者定义主层因果目标量，以藤 copula 和富集狄利克雷过程混合估计联合事件时间分布，用敏感性参数表达因果假设。
- 材料陈述的贡献
- 摘要称该框架在较少参数限制下开展推断，通过 MCMC 给出后验估计及可信区间，并应用于心血管健康研究。
- 阅读关注点
- 核对存活主层的反事实定义、敏感性参数如何影响识别，以及 copula、混合模型和先验选择对后验结果的作用。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未核实；摘要未列明因果识别假设、先验或敏感性范围，可信区间也不能直接视为频率学覆盖保证。
原文摘要
We address causal estimation in semi-competing risks settings, where a non-terminal event may be precluded by one or more terminal events. We define a principal-stratification causal estimand for treatment effects on the non-terminal event, conditional on surviving past a specified landmark time. To estimate joint event-time distributions, we employ both vine-copula constructions and Bayesian nonparametric Enriched Dirichlet-process mixtures (EDPM), enabling inference under minimal parametric assumptions. We index our causal assumptions with sensitivity parameters. Posterior summaries via MCMC yield interpretable estimates with credible intervals. We illustrate the proposed method using data from a cardiovascular health study.