Estimating heterogeneous treatment effects with right-censored data via causal survival forests
利用因果生存森林估计右删失数据中的异质性处理效应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：摘要明确以观察性研究中的异质性处理效应为目标，并使用无混杂条件调整处理选择，直接对应因果推断领域。
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…
利用因果生存森林估计右删失数据中的异质性处理效应
- 研究问题
- 在结局可能右删失的生存分析与观察性研究中，如何估计异质性处理效应，同时处理删失和非随机处理选择带来的问题？
- 方法与思路
- 作者提出因果生存森林，使用正交估计方程，在无混杂条件下同时调整删失与处理选择，并与若干基准方法比较。
- 材料陈述的贡献
- 摘要提出适用于右删失结局的森林估计方法，并称实验中相对多种基准表现良好；未给出具体性能指标或差异大小。
- 阅读关注点
- 应核对处理效应的目标定义、无混杂和删失机制的具体要求、辅助模型误差条件，以及森林推断和实验比较的设计。
- 阅读边界
- 仅依据所给 Crossref 摘要，不能确认具体识别条件或推断保证；摘要未说明删失假设、基准清单及实验结果的适用范围。
原文摘要
Abstract Forest-based methods have recently gained in popularity for non-parametric treatment effect estimation. Building on this line of work, we introduce causal survival forests, which can be used to estimate heterogeneous treatment effects in survival and observational setting where outcomes may be right-censored. Our approach relies on orthogonal estimating equations to robustly adjust for both censoring and selection effects under unconfoundedness. In our experiments, we find our approach to perform well relative to a number of baselines.