Doubly robust estimation of while-alive estimands in individually-randomized and cluster-randomized trials
个体与整群随机试验中存活期间目标量的双重稳健估计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：摘要围绕随机试验中的因果目标量、双重稳健估计及整群随机设计开展推断。
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…
个体与整群随机试验中存活期间目标量的双重稳健估计
- 研究问题
- 当死亡终止非致命事件的重复发生时，如何估计每单位存活时间的事件负担，并兼顾整群随机试验中的信息性群组规模？
- 方法与思路
- 作者基于局部 Nelson–Aalen 表示构造增广估计方程，联合处理终末事件风险与存活者的加权重复事件率，并使用群组层面影响函数。
- 材料陈述的贡献
- 摘要称，方法具有分量层面的双重稳健性和渐近正态性，定义个体平均与群组平均目标，并通过模拟及两项已完成试验再分析展示。
- 阅读关注点
- 应核对存活期间率的分子分母及因果解释、删失和结果模型的正确设定要求，以及信息性群组规模下不同平均目标的权重。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未核实；摘要未列明删失识别与渐近条件，双重稳健性不保证两个模型均错误时仍一致。
原文摘要
Randomized trials in chronic disease settings often measure treatment benefit through recurrent non-fatal events that are truncated by death, where conventional summaries either discard recurrences, conflate the treatment effect with survival, or treat death as censoring and forfeit a causal interpretation. While-alive estimands measure event burden per unit time alive, but doubly robust estimation for the exposure-weighted while-alive rate remains undeveloped, particularly in cluster-randomized trials (CRTs). We develop a doubly robust estimator based on a local Nelson-Aalen representation, with augmented estimating equations targeting the marginal hazard of the terminal event and the weighted recurrent event rate among those alive; the estimator accommodates multiple event types through prespecified clinical weights and remains consistent if either the censoring model or the outcome working models are correctly specified. For CRTs, we define a new pair of individual-average and cluster-average estimands under informative cluster size, with inference based on cluster-level influence functions. We establish component-wise double robustness and asymptotic normality, corroborate the theory in simulations, and illustrate the methods with reanalyses of data from two completed randomized trials.