脱离截断与 censoring 的自由框架及其在治疗效应学习中的应用
统计方法学
2025-07-28 v2
摘要
以事件发生时间为目标的统计分析常受左截断与右 censoring 限制。虽已有诸多存活分析方法处理截断与censoring，但多数假设要求数据在强独立性前提下。我们通过结合协变量信息与正交学习（orthogonal learning），放宽严格假设，构建脱离左截断与右 censoring 的自由框架，使诸如双鲁棒性（double robustness）等理想性质可直接从无截断或censoring 场景迁移。为展示框架的通用性与易用性，我们将其用于平均处理效应（average treatment effect, ATE）与条件平均处理效应（conditional average treatment effect, CATE）的估计。对于 ATE，本文在混杂、截断与censoring情形下建立了模型双鲁棒性与速率双鲁棒性；对于 CATE，证明在三类偏误来源下的正交与双鲁棒学习者可达到先验最优收敛速率。我们对估计方法进行理论分析与大规模模拟实验评估，并以夏洲茨亚洲老年研究（Honolulu Asia Aging Study）数据实证分析中年重度饮酒对晚年认知功能衰退的影响。
引用
@article{arxiv.2411.18879,
title = {A Liberating Framework from Truncation and Censoring, with Application to Learning Treatment Effects},
author = {Yuyao Wang and Andrew Ying and Ronghui Xu},
journal= {arXiv preprint arXiv:2411.18879},
year = {2025}
}