Multiply-robust Estimator of Cumulative Incidence Function Difference for Right-Censored Competing Risks Data
右删失竞争风险数据中累积发生函数差的多重稳健估计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。
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：摘要明确将原因别累积发生函数差作为处理效应，使用倾向得分与结果回归进行稳健估计，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…
关注这篇论文的作者
右删失竞争风险数据中累积发生函数差的多重稳健估计
- 研究问题
- 在右删失竞争风险数据中，如何估计原因别累积发生函数的处理效应，并降低倾向得分与结果回归错设造成的不一致风险？
- 方法与思路
- 作者以伪值方法将删失且随时间变化的累积发生函数转化为完整数据式结果，再结合多组倾向得分及结果回归候选模型。
- 材料陈述的贡献
- 摘要称，至少一个候选倾向得分或结果模型正确时估计具有一致性和渐近无偏性，并通过模拟及右心导管数据应用展示表现。
- 阅读关注点
- 应核对因果与删失条件、伪值构造和候选模型整合方式，以及任一模型正确的保证如何成立、方差与覆盖率如何计算。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收均未核实；摘要未列出完整条件，模拟中接近无偏和名义覆盖不构成普遍保证。
原文摘要
In causal inference, estimating the average treatment effect is a central objective, and in the context of competing risks data, this effect can be quantified by the cause-specific cumulative incidence function (CIF) difference. While doubly robust estimators give a more robust way to estimate the causal effect from the observational study, they remain inconsistent if both models are misspecified. To improve the robustness, we develop a multiply robust estimator for the difference in cause-specific CIFs using right-censored competing risks data. The proposed framework integrates the pseudo-value approach, which transforms the censored, time-dependent CIF into a complete-data outcome, with the multiply robust estimation framework. By specifying multiple candidate models for both the propensity score and the outcome regression, the resulting estimator is consistent and asymptotically unbiased, provided that at least one of the multiple propensity score or outcome regression models is correctly specified. Simulation studies show our multiply robust estimator remains virtually unbiased and maintains nominal coverage rates under various model misspecification scenarios and a wide range of choices for the censoring rate. Finally, the proposed multiply robust model is illustrated using the Right Heart Catheterization dataset.