Treatment Effect Estimation Under Additive Hazards Models With High-Dimensional Confounding
高维混杂下加性风险模型的治疗效应估计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：摘要明确以观测数据、高维混杂和生存结局的治疗效应为研究对象，直接对应因果推断。
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…
关注这篇论文的作者
高维混杂下加性风险模型的治疗效应估计
- 研究问题
- 面对含删失的生存结局和大量潜在混杂变量，如何使用观测数据估计治疗效应，并控制正则化偏差对推断的影响？
- 方法与思路
- 作者在加性风险框架下构造正交得分及风险率差 HDi 估计量，通过交叉拟合建立速率双重稳健性，并讨论扩展。
- 材料陈述的贡献
- 摘要称可得到根号样本量尺度的渐近有效置信区间，交叉拟合 HDi 在所考察实验中表现最佳，并提供前列腺癌应用。
- 阅读关注点
- 核对治疗与删失的识别假设、正交得分对应的目标参数、干扰参数所需速率，以及速率双重稳健性的准确含义。
- 阅读边界
- 摘要未说明混杂控制和删失条件，也未给出应用效应数值；速率双重稳健性不宜擅自解释为任一模型正确即可。来源为版本未注明的 OpenAlex 索引摘要，刊本变化未知。
原文摘要
Estimating treatment effects for survival outcomes in the high-dimensional setting is critical for many biomedical applications and any application with censored observations. This article establishes an “orthogonal” score for learning treatment effects, using observational data with a potentially large number of confounders. The estimator allows for root-n, asymptotically valid confidence intervals, despite the bias induced by the regularization. Moreover, we develop a novel hazard difference (HDi), estimator. We establish rate double robustness through the cross-fitting formulation. Numerical experiments illustrate the finite sample performance, where we observe that the cross-fitted HDi estimator has the best performance. We study the radical prostatectomy’s effect on conservative prostate cancer management through the SEER-Medicare linked data. Last, we provide an extension to machine learning both approaches and heterogeneous treatment effects. Supplementary materials for this article are available online.