Hypothetical estimands in clinical trials: a unification of causal inference and missing data methods
临床试验中的假想目标量：因果推断与缺失数据方法的统一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：摘要直接讨论潜在结果、假想干预下的治疗效应，以及因果推断方法与缺失数据方法的联系。
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…
临床试验中的假想目标量：因果推断与缺失数据方法的统一
- 研究问题
- 当随机化后的中间事件影响结局观测或解释时，如何估计假想该事件被阻止时的治疗效应，并厘清所需假设？
- 方法与思路
- 作者以潜在结果符号描述假想目标量，比较因果推断与缺失数据估计方法，并用蒙特卡洛模拟展示实现及表现。
- 材料陈述的贡献
- 摘要称某些因果估计量与缺失数据估计量完全相同，并指出可利用中间事件发生后的数据估计假想治疗效应。
- 阅读关注点
- 应核对哪些估计量具有等价关系、假想干预如何定义，以及使用事件后数据所需的假设和分析变量选择。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未经核实；摘要未列出具体识别条件，不能判断等价关系的适用范围。
原文摘要
The ICH E9 addendum introduces the term intercurrent event to refer to events that happen after randomisation and that can either preclude observation of the outcome of interest or affect its interpretation. It proposes five strategies for handling intercurrent events to form an estimand but does not suggest statistical methods for estimation. In this paper we focus on the hypothetical strategy, where the treatment effect is defined under the hypothetical scenario in which the intercurrent event is prevented. For its estimation, we consider causal inference and missing data methods. We establish that certain 'causal inference estimators' are identical to certain 'missing data estimators'. These links may help those familiar with one set of methods but not the other. Moreover, using potential outcome notation allows us to state more clearly the assumptions on which missing data methods rely to estimate hypothetical estimands. This helps to indicate whether estimating a hypothetical estimand is reasonable, and what data should be used in the analysis. We show that hypothetical estimands can be estimated by exploiting data after intercurrent event occurrence, which is typically not used. We also present Monte Carlo simulations that illustrate the implementation and performance of the methods in different settings.