Causal inference for calibrated scaling interventions on time-to-event processes
事件时间过程中校准缩放干预的因果推断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：摘要直接研究随机干预、事件时间治疗与中介的非参数因果效应。
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…
事件时间过程中校准缩放干预的因果推断
- 研究问题
- 如何通过缩放中间事件的发生强度定义随机干预，并校准缩放参数以达到指定风险目标，估计其对后续结局的影响？
- 方法与思路
- 作者构造强度乘法缩放干预及校准目标量，推导非参数模型下的有效影响曲线与双重稳健性质，并概述结合机器学习的 TMLE。
- 材料陈述的贡献
- 摘要称，该框架涵盖缩放参数索引、校准及复合目标量，使事件时间治疗或中介干预更具解释性，并揭示实际正值性违背的影响。
- 阅读关注点
- 应核对校准方程的解及识别条件、缩放参数估计对复合目标量的贡献，以及干预超出观测支持时推断如何受到影响。
- 阅读边界
- 这是预印本，同行评审或期刊接收未核实。摘要仅概述 TMLE 策略，未给出完整算法和正则条件，也未量化正值性问题的严重程度。
原文摘要
This work develops a flexible inferential framework for nonparametric causal inference in time-to-event settings, based on stochastic interventions defined through multiplicative scaling of the intensity governing an intermediate event process. These interventions induce a family of estimands indexed by a scalar parameter α, representing effects of modifying event rates while preserving the temporal and covariate-dependent structure of the observed data generating mechanism. To enhance interpretability, we introduce calibrated interventions, where α is chosen to achieve a pre-specified goal, such as a desired level of cumulative risk of the intermediate event, and define corresponding composite target parameters capturing the downstream effects on the outcome process. This yields clinically meaningful contrasts while avoiding unrealistic deterministic intervention regimes. Under a nonparametric model, we derive efficient influence curves for α-indexed, calibrated, and composite target parameters and establish their double robustness properties. We further sketch a targeted maximum likelihood estimation (TMLE) strategy that accommodates flexible, machine learning based nuisance estimation. The proposed framework applies broadly to (causal) questions involving time-to-event treatments or mediators and is illustrated through different examples event-history settings. A simulation study demonstrates finite-sample inferential properties, and highlights the implications of practical positivity violations when interventions extend beyond observed data support.