A flexible Bayesian g-formula for causal survival analyses with time-dependent confounding
处理时变混杂的灵活贝叶斯生存分析 g 公式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：摘要明确研究时变混杂下的假想干预、因果生存曲线与 g 公式估计。
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
处理时变混杂的灵活贝叶斯生存分析 g 公式
- 研究问题
- 在含时变混杂和事件发生时间的纵向观察研究中，如何估计静态或动态干预下的因果生存曲线，并减轻模型误设影响？
- 方法与思路
- 作者将 BART 纳入时变生成过程建模，针对二元时变处理构造可包含纵向平衡分数的离散生存 g 公式及后验算法。
- 材料陈述的贡献
- 摘要称，最小充分纵向平衡分数的形式与处理策略类型相关；论文提供相应采样算法，并以模拟和电子病历展示应用。
- 阅读关注点
- 应核对因果生存曲线的识别条件、静态与动态策略的平衡分数，以及 BART 后验计算和生存不确定性的评价。
- 阅读边界
- 这是 arXiv 预印本，不能据此认定同行评审或期刊接收；摘要未说明混杂、删失等识别条件，灵活建模也不保证消除偏差。
原文摘要
In longitudinal observational studies with time-to-event outcomes, a common objective in causal analysis is to estimate the causal survival curve under hypothetical intervention scenarios. The g-formula is a useful tool for this analysis. To enhance the traditional parametric g-formula, we developed an alternative g-formula estimator, which incorporates the Bayesian Additive Regression Trees (BART) into the modeling of the time-evolving generative components, aiming to mitigate the bias due to model misspecification. We focus on binary time-varying treatments and introduce a general class of g-formulas for discrete survival data that can incorporate the longitudinal balancing scores. The minimum sufficient formulation of these longitudinal balancing scores is linked to the nature of treatment strategies, i.e., static or dynamic. For each type of treatment strategy, we provide posterior sampling algorithms. We conducted simulations to illustrate the empirical performance of the proposed method and demonstrate its practical utility using data from the Yale New Haven Health System's electronic health records.