使用grf处理右删失结局的治疗异质性
Treatment heterogeneity with right-censored outcomes using grf
AI总结：
本文演示了如何利用grf包中的causal_survival_forest函数，在右删失生存数据中估计条件平均处理效应，并以国家就业培训伙伴法案数据为例。
摘要：
本文介绍了如何使用R包grf（Athey等，2019；Tibshirani等，2024）中的causal_survival_forest函数（Cui等，2023），基于国家就业培训伙伴法案（National Job Training Partnership Act）的数据，估计具有右删失时间-事件结局的条件平均处理效应（CATEs）。
英文摘要：
This article walks through how to estimate conditional average treatment effects (CATEs) with right-censored time-to-event outcomes using the function causal_survival_forest (Cui et al., 2023) in the R package grf (Athey et al., 2019, Tibshirani et al., 2024) using data from the National Job Training Partnership Act.
机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。
