信息删失下基于机器学习的危险比双稳健推断
统计方法学
2022-06-07 v1
摘要
具有时间至事件结局的随机临床试验传统上使用对数秩检验，随后采用Cox比例风险（PH）模型来估计治疗组间的危险比。这些方法在右删失机制为非信息性的假设下是有效的，即在每个治疗组内独立于感兴趣的时间至事件。更一般地，删失时间可能依赖于额外协变量，此时可使用删失逆概率加权（IPCW）来纠正由信息删失导致的偏倚。IPCW要求正确设定给定治疗和协变量下的删失时间模型。由于Cox模型的非可折叠性，此前该设定下的双稳健推断并不可行。然而，随着近期数据自适应机器学习方法的发展，我们推导出一种增广IPCW（AIPCW）估计量，具有以下双稳健（DR）性质：它是模型双稳健的，即只要失败时间模型与删失时间模型二者之一正确设定，它便是一致且渐近正态（CAN）的；它也是速率双稳健的，即只要这两个模型下估计误差率的乘积快于根-，它便是CAN的。我们通过有限的样本广泛模拟研究了AIPCW估计量。
引用
@article{arxiv.2206.02296,
title = {Doubly Robust Inference for Hazard Ratio under Informative Censoring with Machine Learning},
author = {Jiyu Luo and Ronghui Xu},
journal= {arXiv preprint arXiv:2206.02296},
year = {2022}
}