Adjusted Nelson--Aalen estimators by inverse treatment probability weighting with an estimated propensity score
使用估计倾向得分进行逆处理概率加权的调整 Nelson–Aalen 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：摘要直接研究逆处理概率加权下总体反事实累积风险及累积发生概率的估计。
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
使用估计倾向得分进行逆处理概率加权的调整 Nelson–Aalen 估计
- 研究问题
- 在随机右删失和竞争风险下，用估计倾向得分加权得到反事实累积风险与累积发生概率时，应如何计入倾向得分估计的不确定性？
- 方法与思路
- 作者对事件计数过程和风险集过程进行逆处理概率加权，在倾向得分估计正则且渐近线性的条件下推导影响函数及渐近性质。
- 材料陈述的贡献
- 摘要称明确了倾向得分估计对结果估计变异的额外贡献；模拟与真实数据应用中，该项贡献通常较小。
- 阅读关注点
- 应核对反事实目标量、竞争风险与删失的处理、因果识别条件，以及影响函数中倾向得分估计项和方差计算的关系。
- 阅读边界
- 这是 arXiv 预印本，同行评审或接收状态未核实。摘要未列明因果与删失条件，“额外变异较小”仅来自所述模拟和应用。
原文摘要
Inverse probability of treatment weighting (IPW) has been well applied in causal inference to estimate population-level estimands from observational studies. For time-to-event outcomes, the failure time distribution can be estimated by estimating the cumulative hazard in the presence of random right censoring. IPW can be performed by weighting the event counting process and at-risk process by the inverse treatment probability, resulting in an adjusted Nelson--Aalen estimator for the population-level counterfactual cumulative incidence function. We consider the adjusted Nelson--Aalen estimator with an estimated propensity score in the competing risks setting. When the estimated propensity score is regular and asymptotically linear, we derive the influence functions for the counterfactual cumulative hazard and cumulative incidence. Then we establish the asymptotic properties for the estimators. We show that the uncertainty in the estimated propensity score contributes to an additional variation in the estimators. However, through simulation and real-data application, we find that such an additional variation is usually small.