Beyond Fixed Restriction Time: Adaptive Restricted Mean Survival Time Methods in Clinical Trials¶
作者: Jinghao Sun, Douglas E Schaubel, Eric J Tchetgen Tchetgen
来源: Biometrika
主题: 因果推断
相关性: 5/10
机构绿灯: University of Pennsylvania(US News 前 50,免分进入精读)
链接: 期刊页 · arXiv
一、领域脉络与小综述¶
这个方向是什么¶
本文所处的子方向是生存分析中的因果效应估计与假设检验,具体聚焦于受限平均生存时间(Restricted Mean Survival Time, RMST)。其根本的统计问题是:在随机对照试验(RCT)中,当比例风险(PH)假设不成立时,如何给出一个既具有临床可解释性、又具有充分检验功效的治疗效应汇总指标及其推断方法。该方向的成熟度较高——RMST 已被广泛接受为 HR 的非参数替代(Uno et al., 2014; Royston & Parmar, 2011),但限制时间 L 的选择这一关键问题长期缺乏系统性的理论处理,本文正是针对这一缺口提出自适应方案。
发展脉络¶
- 奠基工作:Royston & Parmar (2011) 与 Uno et al. (2014) 确立了 RMST 作为 HR 替代指标的地位,指出在 PH 假设违反时 HR 缺乏可解释性,而 RMST 差值(或比值)提供了绝对效应度量。Andersen et al. (1993) 的计数过程理论为 Kaplan-Meier 估计量的渐近性质提供了标准工具。
- 主要进展:Zhao et al. (2016) 构建了 RMST 曲线的同时置信带,允许对多个时间点进行联合推断;Tian et al. (2018) 提出基于 RMST 的假设检验框架,并讨论了功效问题;Horiguchi et al. (2018) 提出在有限个预指定时间点上做多重比较的 omnibus 检验。这些工作共同将 RMST 从"固定 L 的估计"推向"多 L 的联合推断"。
- 当前 frontier:Hasegawa et al. (2020) 建议基于最大随访时间选择 L,Tian et al. (2020) 提出基于样本分位数的数据依赖选择。但这些方法要么缺乏最优性理论,要么未处理选择带来的推断偏差。Kuchibhotla et al. (2024) 的凸包置信区间(HulC)方法为处理非正则估计提供了通用工具,是本文的重要技术基础。
- 本文的位置:本文首次将 L 视为可估计的参数而非预先固定的常数,通过最大化"信号-噪声比"准则函数来自适应选择 L*,并系统处理了选择带来的非正则推断问题。这填补了"L 选择缺乏理论依据"与"自适应选择后推断失效"两个缺口。
子线索聚类¶
- RMST 作为效应指标的统计理论(Royston & Parmar 2011; Uno et al. 2014; Pak et al. 2017):确立 RMST 的估计、推断与临床解释框架。
- 多时间点联合推断(Zhao et al. 2016; Horiguchi et al. 2018; Gu et al. 2023):构建置信带与 omnibus 检验,处理多重比较问题。
- L 的选择策略(Hasegawa et al. 2020; Tian et al. 2020):基于临床或数据驱动准则选择 L,但缺乏最优性理论。
- 非正则估计与选择后推断(Kuchibhotla et al. 2024):凸包方法处理参数估计在边界或非唯一时的置信区间构造,是本文处理零假设下非正则性的直接工具。
这个方向在追问的核心问题¶
- 如何在不依赖 PH 假设的前提下给出可解释、可检验的效应指标? 主流答案是 RMST,但 L 的选择直接影响结论。
- 如何平衡"捕捉晚期效应"(需要大 L)与"控制方差"(需要小 L)之间的张力? 这是本文准则函数设计的核心。
- 当 L 由数据驱动选择时,如何保证推断的有效性? 零假设下 L* 非唯一导致非正则估计,标准渐近理论失效。
- 如何将自适应选择与假设检验、置信区间构造统一起来? 本文通过凸包方法和惩罚化策略同时解决这两个问题。
⚠️ 作者的 framing(这是作者的说法)¶
作者将缺口 frame 为:"选择 L 涉及在效应大小与估计精度之间的权衡,而现有方法要么依赖主观临床判断,要么缺乏理论保证"。作者声称其贡献在于:(1) 提出数据驱动的连续范围自适应选择准则;(2) 证明离散网格预指定时选择无渐近代价("free lunch");(3) 通过惩罚化解决零假设下的非正则性。作者淡化了多重比较校正的讨论——Horiguchi et al. (2018) 的 omnibus 方法虽然保守但直接控制了族错误率,而本文的"free lunch"结论依赖于特定准则函数形式,这一对比在文中未充分展开。
张力¶
未见明显的对立引用。但存在一个微妙的张力:Zhao et al. (2016) 的同时置信带允许对所有 L 做联合推断(保守但安全),而本文声称"选择无代价"(高效但依赖准则函数)。这两种哲学——"联合覆盖"与"自适应选择"——在多重比较文献中本质对立,本文未直接回应这一张力。
二、最核心、最简单的例子 / 数学问题¶
第一步:符号、模型、可观测数据¶
符号(逐个点名):
| 记号 | 含义 | 类型 |
|---|---|---|
| \(T^a\) | 潜在结局:若分配至 arm \(a\) 的生存时间 | 潜在变量(counterfactual) |
| \(C^a\) | 潜在删失时间 | 潜在变量 |
| \(X^a = T^a \wedge C^a\) | 观测到的随访时间 | 可观测随机变量 |
| \(\Delta^a = 1\{T^a \le C^a\}\) | 事件指示符 | 可观测随机变量 |
| \(A \in \{0,1\}\) | 治疗分配 | 可观测随机变量 |
| \(S_a(t) = P(T^a > t)\) | arm \(a\) 的生存函数 | 未知分布参数(目标推断对象) |
| \(\theta_a(L) = E[T^a \wedge L] = \int_0^L S_a(t)dt\) | arm \(a\) 在限制时间 \(L\) 的 RMST | 目标 estimand(\(L\) 的函数) |
| \(\kappa(L) = \theta_1(L) - \theta_0(L)\) | RMST 差值 | 目标 estimand(\(L\) 的函数) |
| \(L\) | 限制时间(候选值) | 设计参数(本文中变为被估对象) |
| \(\mathcal{L} = [L_{\min}, L_{\max}]\) | 候选限制时间区间 | 设计参数 |
| \(M(L) = \kappa^2(L)/\sigma^2(\hat\kappa(L))\) | 准则函数(信号-噪声比) | 总体函数 |
| \(L^* = \arg\max_{L\in\mathcal{L}} M(L)\) | 最优限制时间 | 目标参数(本文核心 estimand) |
| \(\kappa^* = \kappa(L^*)\) | 最优限制时间处的效应 | 目标参数 |
| \(\hat S_a(t)\) | Kaplan-Meier 估计量 | 估计量 |
| \(\hat\kappa(L) = \int_0^L [\hat S_1(t) - \hat S_0(t)]dt\) | RMST 差值的插件估计 | 估计量 |
| \(\hat\sigma^2(\hat\kappa(L))\) | 渐近方差的估计(Greenwood 型) | 估计量 |
| \(\hat L^* = \arg\max_{L\in\mathcal{L}} M_n(L)\) | 样本准则的 argmax | 估计量 |
| \(\hat\kappa^* = \hat\kappa(\hat L^*)\) | 自适应效应估计 | 估计量 |
| \(n_a\) | arm \(a\) 的样本量 | 样本量 |
| \(\beta = \lim n_1/n\) | 分配比例 | 常数 |
模型:
- 数据生成机制:\((T^a, C^a) \perp A\)(随机化),\(T^a \perp C^a \mid A\)(独立删失)。观测数据为 \(n\) 个 i.i.d. 三元组 \(Z_i = (A_i, X_i, \Delta_i)\)。
- 统计模型:非参数模型——\(S_a(\cdot)\) 为任意生存函数,仅假设其连续可微(Assumption 2)。这是本文方法"非参数替代 HR"定位的体现。
- 可观测数据:研究者观测到 \((A_i, X_i, \Delta_i)\),其中 \(X_i\) 是 \(T_i\) 与 \(C_i\) 的较小者,\(\Delta_i\) 指示观测到的是事件还是删失。关键点:\(T^a\) 和 \(C^a\) 本身不可观测,只能通过 \((X, \Delta)\) 推断 \(S_a\)。
第二步:最小内核¶
核心问题:假设我们有两个 arm 的生存数据,想要回答"治疗是否有效"。传统做法是固定一个 L(比如中位随访时间),计算 \(\hat\kappa(L)\) 并检验是否为零。但 L 的选择是任意的——选小了可能漏掉晚期效应,选大了方差爆炸。本文的最小内核是:把 L 当作参数来估计,选一个让检验功效最大化的 L*,然后对 \(\kappa^* = \kappa(L^*)\) 做推断。
最简特例:假设 \(L\) 只能取两个值 \(\{L_1, L_2\}\)(例如 12 个月和 24 个月),且我们已知 \(\sigma^2(\hat\kappa(L))\) 的精确形式。此时:
- 总体层面:\(M(L) = \kappa^2(L)/\sigma^2(L)\) 是一个确定性函数,\(L^* = \arg\max\{M(L_1), M(L_2)\}\) 是总体参数。
- 样本层面:计算 \(M_n(L_1)\) 和 \(M_n(L_2)\),取 \(\hat L^*\) 为较大者对应的 L。
- 推断难点:\(\hat\kappa^* = \hat\kappa(\hat L^*)\) 的分布是什么?如果 \(M(L_1) = M(L_2)\)(即两个 L 的效应-方差比相同),那么 \(\hat L^*\) 在 \(L_1\) 和 \(L_2\) 之间随机游走,\(\hat\kappa^*\) 的分布是两个可能值的混合——这就是非正则性。标准 Delta 方法失效,因为 argmax 的极限分布不是高斯。
本文的破法(在最小特例下):
- 凸包方法(HulC):不试图估计 \(\hat L^*\) 的分布,而是构造一个保守的置信区间——取所有候选 L 处估计量的凸包。在最小特例中,\(\hat\kappa^*\) 的极限分布是 \(\max\{Z_1, Z_2\}\) 型(其中 \(Z_i\) 是高斯),其支撑是 \([-\infty, \max]\),凸包区间 \([\min_j \hat\kappa(L_j), \max_j \hat\kappa(L_j)]\) 以至少 \(1-\alpha\) 的概率覆盖 \(\kappa^*\)。这利用了高斯过程的最大值不等式。
- 惩罚化方法:在准则函数中加入惩罚项 \(c(L - \tilde L)^2\),使得 \(M^\dagger(L)\) 在零假设下有唯一最大值 \(\tilde L\)。此时 \(\hat L^\dagger\) 是正则估计量(收敛速度为 \(n^{-1/2}\)),标准 Delta 方法适用。代价是估计的 L 有 \(O(c^{-1})\) 的偏差,但方差更小。
为什么这个最小内核抓住了全文的数学本质:全文的所有技术细节——凸包置信区间、惩罚化、离散网格的"free lunch"——都是在回答同一个问题:当 argmax 估计量非正则时,如何做有效推断? 最小特例中 \(L\) 取两个值已经包含了非正则性的全部困难(argmax 的极限分布非高斯),而连续区间只是让问题更复杂(需要经验过程理论),但核心思想不变。
三、这篇论文做了什么¶
三句话¶
- 研究了什么问题:在右删失生存数据中,如何数据自适应地选择 RMST 的限制时间 \(L^*\),并对该处的治疗效应 \(\kappa^*\) 做有效的估计与假设检验,尤其处理零假设下 \(L^*\) 非唯一导致的非正则推断问题。
- 核心工具/方法:提出最大化"信号-噪声比"准则函数 \(M(L) = \kappa^2(L)/\sigma^2(\hat\kappa(L))\) 的自适应选择框架,并发展两种推断策略——基于凸包(HulC)的保守置信区间和基于惩罚化准则的正则化估计。
- 主要结论:连续区间上自适应选择会引入非正则性,但凸包方法可构造渐近有效(保守)的置信区间;离散网格上预指定候选集时,选择不产生一阶渐近代价("free lunch"),所得估计量与 oracle 同分布;惩罚化方法在零假设下恢复正则性,且模拟显示其功效优于传统 RMST 和 log-rank 检验。
关键设定与假设¶
在第二节最小记号基础上,全文的完整设定包括:
- Assumption 1(Setting):因果一致性(\(X = X^A, \Delta = \Delta^A\))、随机化(\(A \perp (T^1, T^0, C^1, C^0)\))、独立删失(\(T^a \perp C^a \mid A\))、正性(\(P(T^a \ge L_{\max}) > 0\))。这些是 RCT 分析的标准假设,相比观测性研究文献(如 Zhang & Schaubel 2012 的协变量调整设定),本文不涉及混杂调整,属于简化。
- Assumption 2(Smoothness):\(S_1, S_0\) 连续可微。这保证了 \(\kappa(L)\) 和 \(\sigma^2(\hat\kappa(L))\) 作为 \(L\) 的函数足够光滑,是 Delta 方法和经验过程理论可用的前提。相比 Zhao et al. (2016) 的置信带方法,本文不需要二阶可微,条件更弱。
- Assumption 3(Uniqueness):\(L^*\) 在 \(\mathcal{L}\) 内部唯一。这是标准可识别性条件,但在零假设下失效——此时 \(M(L) \equiv 0\),任何 \(L\) 都是最大值。这是全文技术困难的核心来源。
- Assumption 3′(惩罚化唯一性):\(M^\dagger(L) = M(L) - c(L - \tilde L)^2\) 有唯一最大值。通过引入强凸惩罚项,在零假设下强制 \(L^\dagger = \tilde L\),恢复可识别性。
- Assumption 4(Nonsingularity):\(d^2_L M(L^*)\) 负定。这是 argmax 估计量渐近正态的标准条件,确保 \(L^*\) 处有足够的曲率。
相比已有文献的放宽/强化: - 相比 Horiguchi et al. (2018) 的有限预指定时间点方法,本文允许连续候选区间,更灵活。 - 相比 Tian et al. (2020) 的样本分位数选择,本文的准则函数有明确的功效最优性解释。 - 相比 Kuchibhotla et al. (2024) 的通用 HulC 框架,本文将其专门化到 RMST 设定,并补充了惩罚化这一替代策略。
主要结果¶
理论结果:
-
Proposition 1(备择假设下的渐近正态性):在 Assumptions 1-4 下,\((\hat L^*, \hat\kappa^*)\) 联合渐近正态,收敛速度为 \(n^{-1/2}\)。证明路线:先证 \(M_n(L)\) 在 \(\mathcal{L}\) 上一致收敛到 \(M(L)\)(利用 Kaplan-Meier 估计量的强一致性和 Glivenko-Cantelli 定理),再证 \(M_n\) 的 argmax 收敛到 \(M\) 的 argmax(Argmax 连续映射定理),最后通过 \(M_n\) 的 Hadamard 可微性建立 \(\hat L^*\) 的线性展开。关键技巧:将 \(\hat\kappa(L)\) 视为 \(\mathcal{L}\) 上的随机过程,利用其紧性(tightness)和有限维分布收敛。
-
Proposition 2(零假设下的 \(\sqrt{n}\)-一致性):在 \(H_0\) 下,\(\hat\kappa^* = O_p(n^{-1/2})\)。证明路线:利用 \(H_0\) 下 \(\kappa(L) \equiv 0\),将 \(\hat\kappa(\hat L^*)\) 分解为 \(\hat\kappa(\hat L^*) - \hat\kappa(L_0) + \hat\kappa(L_0)\),其中 \(L_0\) 是任意固定点。第一项通过 \(\hat\kappa\) 的 Lipschitz 性质和 \(\hat L^* - L_0 = O_p(n^{-1/2})\) 控制(注意这里不需要 \(L^*\) 唯一,因为 \(\kappa \equiv 0\) 使得任何 \(L\) 都是最优)。第二项是标准的高斯逼近。关键点:虽然 \(\hat L^*\) 本身可能不收敛(在 \(H_0\) 下 argmax 不唯一),但 \(\hat\kappa(\hat L^*)\) 仍然 \(\sqrt{n}\)-一致,因为 \(\kappa\) 在 \(H_0\) 下恒为零。
-
Proposition 3(零假设下的渐近中位数无偏性):\(\lim_{n\to\infty} P(\hat\kappa^* \ge 0) \ge 1/2\) 且 \(\lim_{n\to\infty} P(\hat\kappa^* \le 0) \ge 1/2\)。证明路线:利用 \(H_0\) 下 \(\hat\kappa(L)\) 作为高斯过程的对称性。具体地,\(\hat\kappa(L)\) 的极限过程是零均值高斯过程,其关于 0 对称,因此其最大值(即 \(\hat\kappa^*\))的极限分布关于 0 对称。这个性质是凸包置信区间有效性的基础——它保证了区间以正确概率覆盖 0。
-
Proposition 4(凸包置信区间的有效性):基于 \(B\) 折分割构造的凸包置信区间 \(CI^H_{n,\alpha}\) 满足 \(\liminf_{n\to\infty} P(\kappa^* \in CI^H_{n,\alpha}) \ge 1-\alpha\)。证明路线:利用 Proposition 3 的中位数无偏性,结合 Kuchibhotla et al. (2024) 的 Lemma 1——该引理表明,若估计量渐近中位数无偏,则基于 \(B\) 个独立子样本的凸包区间以至少 \(1-2^{1-B}\) 的概率覆盖真值。关键技巧:随机分割(random splitting)保证各折估计量的条件独立性,而中位数无偏性保证每折估计量以至少 \(1/2\) 概率在真值两侧。
-
Theorem 1(惩罚化估计的渐近性质):在 \(H_0\) 下,\(\hat L^\dagger \to \tilde L\)(概率收敛),且 \(\sqrt{n}(\hat\kappa^\dagger - \kappa^\dagger) \Rightarrow N(0, \sigma^2_{\tilde L})\)。证明路线:惩罚项 \(c(L - \tilde L)^2\) 使得 \(M^\dagger(L)\) 在 \(H_0\) 下有唯一最大值 \(\tilde L\)(因为 \(M(L) \equiv 0\) 时,\(M^\dagger(L) = -c(L-\tilde L)^2\) 在 \(\tilde L\) 处取最大值)。这恢复了 Assumption 3′,使得 Proposition 1 的论证适用。关键技巧:惩罚项的强凸性(曲率 \(2c\))克服了 \(M(L)\) 在 \(H_0\) 下的平坦性。
-
Theorem 2(离散网格的"free lunch"):当候选集为离散网格 \(\{L_1, \ldots, L_m\}\) 时,\(\hat\kappa^\dagger\) 与在真值 \(L^\dagger\) 处评估的 oracle 估计量具有相同的渐近分布。证明路线:利用网格的有限性,\(P(\hat L^\dagger \neq L^\dagger) \to 0\)(因为 \(M^\dagger(L_j)\) 在 \(L^\dagger\) 处有唯一最大值,且 \(M^\dagger_n\) 一致收敛到 \(M^\dagger\)),因此 \(\hat\kappa^\dagger = \hat\kappa(L^\dagger) + o_p(n^{-1/2})\)。关键技巧:有限网格避免了连续 argmax 的非正则性——这是"free lunch"的本质。
模拟结果:
- 数据生成:9 种场景覆盖零假设、比例风险、早期效应、延迟效应、交叉生存曲线、瞬态效应等。控制组为指数分布(率 1),治疗组为分段指数分布,参数见表 S1。样本量 \(n = 300, 600, 1000\),2000 次重复。
- 主要发现:
- 功效:AdaRMST.ct 在早期效应(early)和瞬态效应(tran)场景下功效显著高于 log-rank 和固定 L 的 RMST。例如,在 early 场景、\(n=300\) 时,AdaRMST.ct 功效约 80%,而 log-rank 约 50%(Figure 2 左)。在延迟效应(delay_1, delay_2)场景下,AdaRMST.ct 与 log-rank 功效相当,但优于固定小 L 的 RMST。
- 覆盖概率:AdaRMST.ct 的置信区间覆盖概率接近名义 95%,而 Hulc 方法在零假设下偏保守(覆盖约 97-98%),在备择假设下接近 95%。AdaRMST.dt 在 \(n=300\) 时覆盖略低于名义(约 92-93%),但在 \(n \geq 600\) 时改善。
- L 的估计:AdaRMST.dt 在估计 \(L^\dagger\) 时偏差最小(Table S2-S4),尤其在 delay_2 场景下,AdaRMST.dt 的 RMSE 约为 Hulc 的一半。AdaRMST.ct 在零假设下 \(L^*\) 估计不稳定(因为 \(M(L) \equiv 0\)),但 \(\hat\kappa^*\) 仍然有效。
- 惩罚参数敏感性:Figures S10-S12 显示,\(c\) 在 \([0.0005, 0.01]\) 范围内变化时,功效变化不超过 5 个百分点,表明方法对 \(c\) 的选择不敏感。
真实例子与应用¶
数据:Phase III 胰腺癌辅助治疗试验(NCT01964430,Tempero et al. 2023),866 例手术切除的胰腺导管腺癌患者,随机接受 nab-紫杉醇+吉西他滨(nab-P + Gem)或吉西他滨单药(Gem),主要终点为无病生存期(DFS)。
方法应用: 1. 数据重建:从发表的 Kaplan-Meier 图用 IPDfromKM 包(Liu et al., 2021)重建个体患者数据。 2. 分析:候选区间 \(L = [3, 53]\) 个月(基于最大随访时间)。AdaRMST.ct 估计 \(\hat L^\dagger = 15.5\) 个月(95% CI: [3.0, 19.7]),\(\hat\kappa^\dagger = 0.845\) 个月(95% CI: [0.0345, 1.5256],\(p = 0.0392\))。 3. 对比:log-rank 检验 \(p = 0.40\),固定 \(L = 41.3\) 个月(最大随访)的 RMST 差值为 0.964 个月(95% CI: [-1.25, 3.18],\(p = 0.393\))。AdaRMST.dt 估计 \(\hat L^\dagger = 14.1\) 个月,\(\hat\kappa^\dagger = 0.733\) 个月(\(p = 7.56 \times 10^{-3}\))。
结论:标准分析(log-rank、固定 L 的 RMST)未能检测到显著差异,而 AdaRMST.ct 在自适应选择的 15.5 个月窗口内发现了显著的治疗获益。这验证了方法的临床价值——在瞬态效应场景下,自适应选择 L 能捕捉到固定 L 遗漏的信号。
🔎 结论是否比证明窄¶
- Proposition 2 的"\(\sqrt{n}\)-一致性"在 \(H_0\) 下成立,但 \(H_1\) 下 \(\hat L^*\) 的收敛速度未明确。作者在正文中声称"\(\hat L^*\) 是 \(\sqrt{n}\)-一致的"(Proposition 1),但证明依赖于 \(M(L)\) 在 \(L^*\) 处的二阶条件(Assumption 4)。若 \(M(L)\) 在 \(L^*\) 处平坦(例如效应在很宽的时间范围内几乎恒定),则 \(\hat L^*\) 的收敛速度可能慢于 \(\sqrt{n}\),但 \(\hat\kappa^*\) 可能仍然 \(\sqrt{n}\)-一致。这一边界情形未被讨论。
- Theorem 2 的"free lunch"仅适用于离散网格。作者在正文中将其推广为"预指定网格无渐近代价",但 Proposition 6 的 infill 分析表明,当网格密度 \(m_n \to \infty\) 时,需要 \(m_n = o(n^{1/4})\) 才能保持"free lunch"。作者在正文中未明确这一限制条件,仅在补充材料中提及。
- 凸包置信区间的保守性:Proposition 4 保证覆盖概率 \(\ge 1-\alpha\),但模拟显示 Hulc 方法在零假设下覆盖约 97-98%(名义 95%),表明区间偏宽。作者在正文中承认这一点,但未提供改进方案。
- 惩罚参数 \(c\) 的选择:作者给出默认值 \(c = 0.002 \times 16/(L_{\max}-L_{\min})^2\),但未提供数据驱动的选择准则。模拟显示结果对 \(c\) 不敏感,但缺乏理论指导。
四、开放问题¶
-
协变量调整:本文仅考虑无协变量的 RCT 设定。将自适应 RMST 扩展到有基线协变量的情形(如通过逆概率加权或回归调整)是自然的下一步。扎根点:Assumption 1 仅假设随机化,未涉及协变量;Discussion 中作者提到"incorporating covariates"作为未来工作。
-
最优惩罚参数选择:\(c\) 的默认值基于经验,缺乏理论最优性。可考虑用交叉验证或自适应准则选择 \(c\),并分析其对估计量一阶性质的影响。扎根点:Section 4 中作者承认"the choice of c involves a trade-off between bias and variance"。
-
网格密度的自适应选择:Proposition 6 给出 \(m_n = o(n^{1/4})\) 的充分条件,但如何在实际中选择网格密度以平衡"捕捉效应"与"控制选择成本"仍不清楚。扎根点:Proposition 6 的 infill 分析。
-
非删失情形的推广:本文假设独立删失。在信息性删失或竞争风险存在时,Kaplan-Meier 估计量的性质改变,自适应 L 选择的推断需重新推导。扎根点:Assumption 1.3 的独立删失假设。
-
与最优检验理论的联系:本文的准则函数 \(M(L)\) 是"信号-噪声比",但未证明其对应的检验在某种意义下是渐近最优的(如 Bahadur 或 Pitman 效率)。扎根点:Section 2.1 中作者仅声称"maximizing M(L) is equivalent to maximizing power",但未给出形式化证明。
-
多重适应性问题:本文只自适应选择 L 一个参数。若同时自适应选择权重函数(如对早期/晚期效应赋予不同权重),推断问题将更复杂。扎根点:Discussion 中作者提到"extensions to weighted log-rank type tests"。
提醒:要确认上述开放问题是否是真 gap,建议去读以下近期文献的引言部分(各约 5 篇):(i) 关于 RMST 最优 L 选择的文献(如 Tian et al. 2020, Biometrics; Horiguchi et al. 2018, Statistics in Medicine);(ii) 关于非正则估计后推断的文献(如 Kuchibhotla et al. 2024, JRSS-B; 以及 post-selection inference 相关文献);(iii) 关于生存分析中自适应检验的文献(如 weighted log-rank tests 的最新进展)。如果这些文献的引言都指向"L 选择缺乏理论依据"这一缺口,则本文的问题确实是共识性的;如果它们各自提出不同的选择准则且互不引用,则说明该问题尚未收敛,机会更大。
Maintained by 陈星宇 · Homepage · Source on GitHub