Two-Stage Least Squares Instrumental Variable Estimation for Semiparametric Accelerated Failure Time Models with Right-Censored Data
右删失数据下半参数加速失效时间模型的两阶段最小二乘工具变量估计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：摘要明确使用工具变量处理未观测混杂与测量误差，以支持因果效应推断。
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
右删失数据下半参数加速失效时间模型的两阶段最小二乘工具变量估计
- 研究问题
- 存在右删失时，如何将两阶段最小二乘工具变量方法用于半参数加速失效时间模型，以处理未观测混杂或测量误差并开展推断？
- 方法与思路
- 作者将 Leurgans 合成变量方法纳入迭代重加权广义估计方程，建立估计量的渐近性质，并推导一致的方差估计量。
- 材料陈述的贡献
- 摘要称，方法在所设模拟中优于多个比较方法，相对贝叶斯参数工具变量方法获得显著计算加速，并用英国生物样本库展示应用。
- 阅读关注点
- 应核对工具变量有效性、删失机制及模型限制，理解合成变量和权重构造，并检查计算速度比较的任务、软件与硬件设置。
- 阅读边界
- 这是 arXiv 预印本，不能据此认定已同行评审或获期刊接收；摘要未说明完整识别与删失条件，所报性能和加速幅度不能普遍外推。
原文摘要
Instrumental variable (IV) analysis is widely used in fields such as economics and epidemiology to address unobserved confounding and measurement error when estimating the causal effects of intermediate covariates on outcomes. However, extending the commonly used two-stage least squares (TSLS) approach to survival settings is nontrivial due to censoring. This paper introduces a novel extension of TSLS to the semiparametric accelerated failure time (AFT) model with right-censored data, supported by rigorous theoretical justification. Specifically, we propose an iterative reweighted generalized estimating equation (GEE) approach that incorporates Leurgans' synthetic variable method, establish the asymptotic properties of the resulting estimator, and derive a consistent variance estimator, enabling valid causal inference. Simulation studies are conducted to evaluate the finite-sample performance of the proposed method across different scenarios. The results show that it outperforms the naive unweighted GEE method, a parametric IV approach, and a one-stage estimator without IV. The proposed method is also highly scalable to large datasets, achieving a 300- to 1500-fold speedup relative to a Bayesian parametric IV approach in both simulations and the real-data example. We further illustrate the utility of the proposed method through a real-data application using the UK Biobank data.