Doubly robust estimation of optimal treatment regimes for survival data using an instrumental variable
利用工具变量双重稳健估计生存数据的最优治疗规则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：摘要明确通过工具变量应对未观测混杂，并估计用于治疗分配的最优规则，研究重点直接属于因果识别与估计。
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
利用工具变量双重稳健估计生存数据的最优治疗规则
- 研究问题
- 作者研究存在未观测混杂或治疗不依从时，如何借助二元工具变量估计依据个体特征分配治疗、提高生存概率的最优规则。
- 方法与思路
- 作者最大化类似 Kaplan–Meier 的生存函数估计构造半参数治疗规则估计，并加入双重稳健修正与核平滑，分析渐近性质。
- 材料陈述的贡献
- 摘要称，该方法利用二元工具变量处理未观测混杂，增强对模型误设的抵抗能力，并通过模拟和癌症筛查试验数据展示应用。
- 阅读关注点
- 应核对工具变量的有效性和识别对象、删失处理、双重稳健要求哪些模型正确，以及核平滑与治疗规则优化的具体条件。
- 阅读边界
- 依据 arXiv 预印本摘要，同行评审或期刊接收未核实；摘要未列出工具变量假设和正则条件，不能确认任意未观测混杂均可处理。
原文摘要
In survival contexts, substantial literature exists on estimating optimal treatment regimes, where treatments are assigned based on personal characteristics to maximize the survival probability. These methods assume that a set of covariates is sufficient to deconfound the treatment-outcome relationship. However, this assumption can be limited in observational studies or randomized trials in which non-adherence occurs. Therefore, we propose a novel approach to estimating optimal treatment regimes when certain confounders are unobservable and a binary instrumental variable is available. Specifically, via a binary instrumental variable, we propose a semiparametric estimator for optimal treatment regimes by maximizing a Kaplan-Meier-like estimator of the survival function. Furthermore, to increase resistance to model misspecification, we construct novel doubly robust estimators. Since the estimators of the survival function are jagged, we incorporate kernel smoothing methods to improve performance. Under appropriate regularity conditions, the asymptotic properties are rigorously established. Moreover, the finite sample performance is evaluated through simulation studies. Finally, we illustrate our method using data from the National Cancer Institute's prostate, lung, colorectal, and ovarian cancer screening trial.