Efficient transport and generalization of survival treatment effects
生存治疗效应的有效迁移与推广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：摘要研究来源人群到目标人群的生存治疗因果效应迁移、推广与稳健估计，直接属于因果推断。
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…
生存治疗效应的有效迁移与推广
- 研究问题
- 当试验来源人群与目标人群存在差异时，如何在离散时间中迁移和推广生存治疗效应差，并进行有效统计推断？
- 方法与思路
- 作者推导有效影响函数，构造交叉拟合的一步去偏机器学习估计量，并利用已知效应修饰变量及加性生存参数化降低重加权维度。
- 材料陈述的贡献
- 摘要称，估计量具有双重稳健性、渐近正态性和半参数效率；利用已知修饰变量的版本可获得更小或相等的渐近方差。
- 阅读关注点
- 应核对迁移与推广的目标量区别、识别及删失条件、辅助估计收敛要求，以及加性参数化和已知修饰变量的适用范围。
- 阅读边界
- 这是 arXiv 预印本，不能据此认定已同行评审或接收；摘要未列出具体识别与正则条件，不能认定任意人群差异均可被校正。
原文摘要
Randomized controlled trials provide internally valid estimates of treatment effects, but their results may not directly apply to broader target populations due to differences in baseline covariate distributions, adherence to treatment or variations in outcome mechanisms. Under standard transport and time-to-event identifiability assumptions, we develop nonparametric, debiased machine learning estimators for transporting and generalizing causal survival treatment effect differences from a source population to a target population in discrete time. We derive the efficient influence functions for the transport and generalization survival difference estimands and propose cross-fitted one-step estimators that are doubly robust and achieve semiparametric efficiency bounds under weak regularity conditions. We further introduce estimators that exploit known effect modifier subsets through an additive parameterization of the survival function, reducing the dimensionality of the reweighting and yielding smaller or equal asymptotic variance. We establish asymptotic normality, double robustness, and rates of convergence for all proposed estimators. Finite-sample properties are illustrated through Monte Carlo simulations under flexible and misspecified nuisance estimation scenarios. We apply the methods to data from the Women's Health Initiative to estimate the effect of hormone therapy on coronary heart disease across trial and observational populations.