Efficient and Debiased Learning of Average Hazard Under Non-Proportional Hazards
非比例风险下平均风险率的高效去偏学习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：摘要明确将平均风险率作为治疗效应的因果目标，并提出协变量调整与双重稳健推断。
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…
非比例风险下平均风险率的高效去偏学习
- 研究问题
- 当风险不成比例、Cox 风险比的解释受随访和删失影响时，如何对具有总体人时事件率解释的平均风险率开展灵活调整与推断？
- 方法与思路
- 作者构建半参数双重稳健框架，推导平均风险率的有效影响函数，并结合交叉拟合、机器学习与去偏估计进行协变量调整。
- 材料陈述的贡献
- 摘要称，在乘积收敛率条件下估计量具有根号样本量一致性和渐近正态性，并以模拟及黑色素瘤治疗比较展示应用。
- 阅读关注点
- 应核对平均风险率的时间范围、因果识别与删失处理条件、双重稳健性的具体含义，以及辅助模型所需的乘积收敛率。
- 阅读边界
- 依据 arXiv 预印本摘要，同行评审或接收未核实；具体识别条件和数值结果未说明，模拟覆盖表现不能替代条件核验。
原文摘要
The hazard ratio from the Cox proportional hazards model is a ubiquitous summary of treatment effect. However, when hazards are non-proportional, the hazard ratio can lose a stable causal interpretation and become study-dependent because it effectively averages time-varying effects with weights determined by follow-up and censoring. We consider the average hazard (AH) as an alternative causal estimand: a population-level person-time event rate that remains well-defined and interpretable without assuming proportional hazards. Although AH can be estimated nonparametrically and regression-style adjustments have been proposed, existing approaches do not provide a general framework for flexible, high-dimensional nuisance estimation with valid sqrt{n} inference. We address this gap by developing a semiparametric, doubly robust framework for covariate-adjusted AH. We establish pathwise differentiability of AH in the nonparametric model, derive its efficient influence function, and construct cross-fitted, debiased estimators that leverage machine learning for nuisance estimation while retaining asymptotically normal, sqrt{n}-consistent inference under mild product-rate conditions. Simulations demonstrate that the proposed estimator achieves small bias and near-nominal confidence-interval coverage across proportional and non-proportional hazards settings, including crossing-hazards regimes where Cox-based summaries can be unstable. We illustrate practical utility in comparative effectiveness research by comparing immunotherapy regimens for advanced melanoma using SEER-Medicare linked data.