A Bivariate Transformation Model for Time-to-Event Data Affected by Unobserved Confounding: Revisiting the Illinois Reemployment Bonus Experiment
未观测混杂下事件时间数据的二元变换模型：重访伊利诺伊再就业奖励实验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：摘要明确估计二元处理的生存平均处理效应，并以联立模型处理未观测混杂。
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
未观测混杂下事件时间数据的二元变换模型：重访伊利诺伊再就业奖励实验
- 研究问题
- 在事件时间结果受到未观测混杂影响时，如何量化二元处理对生存概率的影响，并允许观察到的混杂及处理效应异质性？
- 方法与思路
- 作者以二元高斯依赖连接处理与事件时间方程，使用加性预测项、单调 P 样条和工具变量岭惩罚，通过惩罚极大似然估计。
- 材料陈述的贡献
- 摘要称模型可给出生存概率尺度的平均处理效应及相关区间，并重分析现金奖励对失业持续概率的影响，方法已纳入 GJRM。
- 阅读关注点
- 应核对工具变量和高斯依赖设定如何支持识别、惩罚与样条选择，以及生存处理效应、异质性和区间的具体定义。
- 阅读边界
- 这是 arXiv 预印本，同行评审和期刊接收未经核实。摘要未说明工具有效性条件及效应数值，软件纳入本身不能验证识别或复现质量。
原文摘要
Motivated by empirical studies investigating treatment effects in survival analysis, we propose a bivariate transformation model to quantify the impact of a binary treatment on a time-to-event outcome. The model equations are connected through a bivariate Gaussian distribution, with the dependence parameter capturing unobserved confounding, and are specified as functions of additive predictors to flexibly account for the impacts of observed confounders. Moreover, the baseline survival function is estimated using monotonic P-splines, the effects of binary or factor instruments can be regularized through a ridge penalty approach, and interactions between treatment and observed confounders can be incorporated to accommodate potential variations in treatment effects across subgroups. The proposal naturally provides the survival average treatment effect. Parameter estimation is achieved via an efficient and stable penalized maximum likelihood estimation approach, and intervals constructed using related inferential results. We revisit a dataset from the Illinois Reemployment Bonus Experiment to estimate the effect of a cash bonus on the probability of remaining unemployed at several time points, unveiling interesting insights. The modeling framework is incorporated into the R package GJRM, enabling researchers and practitioners to employ the proposed model and ensuring the reproducibility of results.