HSCI: Neyman-Orthogonal Causal Inference under High-Dimensional Proportional Hazards
HSCI：高维比例风险模型下的 Neyman 正交因果推断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：摘要明确研究混杂下的生存处理效应推断，并结合倾向得分、近正交得分与交叉拟合。
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
HSCI：高维比例风险模型下的 Neyman 正交因果推断
- 研究问题
- 在生存研究受到大量基线协变量混杂时，如何控制高维辅助模型估计带来的偏误，并对处理效应进行有效统计推断？
- 方法与思路
- 作者结合稀疏高维 Cox 结果模型与高维 logistic 倾向得分工作模型，构造 Neyman 近正交得分，并通过交叉拟合实施估计。
- 材料陈述的贡献
- 摘要称在双重稳健的辅助估计收敛率条件下建立平方根样本量渐近正态性和方差一致性，并扩展至高维生存协变量效应推断。
- 阅读关注点
- 应核对处理效应参数的因果含义、比例风险与删失条件，以及近正交性、稀疏性和双重稳健收敛率要求的具体形式。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收均未核实；摘要未详述识别与删失假设，收敛率条件不能直接理解为任意模型错设均有效。
原文摘要
Valid treatment effect inference in survival studies is fundamental yet challenging when the treatment assignments and outcomes are confounded by many baseline covariates. To this end, in this paper we propose a high-dimensional survival causal inference (HSCI) framework that delivers valid inference under a sparse high-dimensional Cox proportional hazards outcome model and a high-dimensional logistic propensity score working model. To mitigate the nuisance estimation bias, we develop a Neyman near-orthogonal score for the treatment effect and implement it with cross-fitting. Under doubly robust nuisance-rate conditions, we establish the root-n asymptotic normality and consistent variance estimation. We also extend the framework to inference on high-dimensional survival covariate effects. Simulation examples confirm that HSCI reduces sharply the bias relative to the regularized Cox estimators and maintains valid confidence interval coverage across different dimensionality, censoring, and misspecified propensity-model settings. An application to diffuse large-B-cell lymphoma data further showcases its value for high-dimensional biomedical survival studies.