Survival outcomes are common in comparative effectiveness studies and require unique handling because they are usually incompletely observed due to right-censoring. A "once for all" approach for causal inference with survival outcomes constructs pseudo-observations and allows standard methods such as propensity score weighting to proceed as if the outcomes are completely observed. For a general class of model-free causal estimands with survival outcomes on user-specified target populations, we develop corresponding propensity score weighting estimators based on the pseudo-observations and establish their asymptotic properties. In particular, utilizing the functional delta-method and the von Mises expansion, we derive a new closed-form variance of the weighting estimator that takes into account the uncertainty due to both pseudo-observation calculation and propensity score estimation. This allows valid and computationally efficient inference without resampling. We also prove the optimal efficiency property of the overlap weights within the class of balancing weights for survival outcomes. The proposed methods are applicable to both binary and multiple treatments. Extensive simulations are conducted to explore the operating characteristics of the proposed method versus other commonly used alternatives. We apply the proposed method to compare the causal effects of three popular treatment approaches for prostate cancer patients.


翻译:生存结果在比较有效性研究中是常见的,需要独特的处理,因为它们通常由于右检查而没有得到完全观察。 一种对生存结果进行因果推断的“人人皆有”方法,建立假观察,并允许象完全观察结果一样进行偏差评分等标准方法; 对于一类无模型的因果估计值和用户指定目标人群的存活结果一般类别,我们根据假观察和确定生存结果确定相应的偏差估计值,我们根据假观察确定相应的偏差加权分,并确立其消毒特性。特别是,我们利用功能三角方法以及冯·米泽斯扩展,对加权估计值得出一种新的封闭式差异,这种差异考虑到假观察计算和敏度估计结果的不确定性。这样就可以在不重估生存结果的重量的类别中进行有效和计算效率的计算。我们还证明,拟议的方法适用于二进制和多重治疗。我们广泛模拟了加权估计值的新的封闭式差异,考虑到伪观察值计算结果的计算结果和偏差。我们用三种通用的癌症治疗方法来研究拟议的结果。

0
下载
关闭预览

相关内容

【CVPR2021】细粒度多标签分类
专知会员服务
60+阅读 · 2021年3月8日
专知会员服务
50+阅读 · 2020年12月14日
【干货书】机器学习速查手册,135页pdf
专知会员服务
125+阅读 · 2020年11月20日
因果图,Causal Graphs,52页ppt
专知会员服务
246+阅读 · 2020年4月19日
机器学习入门的经验与建议
专知会员服务
92+阅读 · 2019年10月10日
【哈佛大学商学院课程Fall 2019】机器学习可解释性
专知会员服务
103+阅读 · 2019年10月9日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
已删除
将门创投
3+阅读 · 2019年4月19日
倾向得分加权匹配分析方法的R实现
数萃大数据
5+阅读 · 2017年11月16日
【学习】Hierarchical Softmax
机器学习研究会
4+阅读 · 2017年8月6日
Arxiv
0+阅读 · 2022年1月31日
Arxiv
0+阅读 · 2022年1月31日
Arxiv
4+阅读 · 2018年1月15日
VIP会员
相关VIP内容
相关资讯
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
已删除
将门创投
3+阅读 · 2019年4月19日
倾向得分加权匹配分析方法的R实现
数萃大数据
5+阅读 · 2017年11月16日
【学习】Hierarchical Softmax
机器学习研究会
4+阅读 · 2017年8月6日
Top
微信扫码咨询专知VIP会员