Asymptotic properties of resampling-based processes for the average treatment effect in observational studies with competing risks
竞争风险观察研究中平均处理效应重抽样过程的渐近性质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：摘要明确研究观察资料中的混杂控制、g 公式与平均处理效应推断，因此归入因果推断。
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…
关注这篇论文的作者
竞争风险观察研究中平均处理效应重抽样过程的渐近性质
- 研究问题
- 在存在混杂和竞争风险的事件时间观察研究中，如何近似平均处理效应估计过程的复杂分布，以构造置信区间和同时置信带？
- 方法与思路
- 作者研究基于 g 公式的处理效应估计，比较三种重抽样近似的大样本性质；摘要点名非参数 bootstrap 为常用实践工具。
- 材料陈述的贡献
- 摘要称在具有竞争风险的事件时间资料设置下，证明三种重抽样方法的渐近有效性，为相关效应过程的推断提供理论支持。
- 阅读关注点
- 核对处理效应随时间的定义、混杂与删失处理条件，以及三种重抽样算法和过程收敛结论是否支持时间同时置信带。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未经核实；摘要未列出完整识别与渐近条件，也未说明另外两种方法或有限样本表现。
原文摘要
In observational studies with time-to-event outcomes, the g-formula can be used to estimate a treatment effect in the presence of confounding factors. However, the asymptotic distribution of the corresponding stochastic process is complicated and thus not suitable for deriving confidence intervals or time-simultaneous confidence bands for the average treatment effect. A common remedy are resampling-based approximations, with Efron's nonparametric bootstrap being the standard tool in practice. We investigate the large sample properties of three different resampling approaches and prove their asymptotic validity in a setting with time-to-event data subject to competing risks.