Factorial survival analysis for treatment effects under dependent censoring
依赖删失下治疗效应的析因生存分析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：摘要以临床试验中多种治疗的主效应和交互效应检验为核心，对应处理效应研究。
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…
依赖删失下治疗效应的析因生存分析
- 研究问题
- 当生存时间与删失过程存在依赖时，如何在多种治疗的析因设计中检验主效应和交互效应，放宽独立删失要求？
- 方法与思路
- 作者结合已有析因生存分析结果与生存 copula 模型技术，构造适用于依赖删失的 F 检验，并提供模拟和真实数据示例。
- 材料陈述的贡献
- 摘要称新检验在模拟中表现良好，并在 compound.Cox 包中以 surv.factorial 函数实现，支持依赖删失下的析因分析。
- 阅读关注点
- 应核对治疗效应的具体量化方式、copula 如何刻画删失依赖、依赖参数如何确定，以及 F 检验的有效条件。
- 阅读边界
- 来源为 arXiv 预印本，同行评审及期刊接收未经核实；摘要未说明允许的依赖删失范围、参数识别方式或检验数值表现。
原文摘要
Factorial analyses offer a powerful nonparametric means to detect main or interaction effects among multiple treatments. For survival outcomes, e.g. from clinical trials, such techniques can be adopted for comparing reasonable quantifications of treatment effects. The key difficulty to solve in survival analysis concerns the proper handling of censoring. So far, all existing factorial analyses for survival data were developed under the independent censoring assumption, which is too strong for many applications. As a solution, the central aim of this article is to develop new methods in factorial survival analyses under quite general dependent censoring regimes. This will be accomplished by combining existing results for factorial survival analyses with techniques developed for survival copula models. As a result, we will present an appealing F-test that exhibits sound performance in our simulation study. The new methods are illustrated in real data analysis. We implement the proposed method in an R function surv.factorial(.) in the R package compound.Cox.