Likelihood based inference for current status data on a grid: A boundary phenomenon and an adaptive inference procedure
网格现时状态数据的似然推断：边界现象与自适应程序AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要研究现时状态数据下事件时间分布的统计推断，未涉及经济分布效应或所列其他领域的直接证据。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
网格现时状态数据的似然推断：边界现象与自适应程序
- 研究问题
- 当现时状态数据的观测时间落在稀疏程度未知的网格上且存在重复时，事件时间分布函数的点估计和区间推断如何变化？
- 方法与思路
- 作者研究非参数最大似然估计，按网格稀疏指数分析三种渐近情形，并利用边界极限分布的弱收敛构造自适应置信区间。
- 材料陈述的贡献
- 摘要称稀疏指数以三分之一为界区分高斯型与立方根渐近行为，边界分布连接两者，并支持无需估计该指数的区间程序。
- 阅读关注点
- 应核对网格与分布函数的条件、边界分布的计算方法，以及自适应区间在不同网格分辨率和有限样本下的覆盖率表现。
- 阅读边界
- 来源为稿件版本未注明的 OpenAlex 索引摘要。摘要未完整说明正则条件和模拟数值，不能推断任意观测网格下均有可靠覆盖率。
原文摘要
In this paper, we study the nonparametric maximum likelihood estimator for an event time distribution function at a point in the current status model with observation times supported on a grid of potentially unknown sparsity and with multiple subjects sharing the same observation time. This is of interest since observation time ties occur frequently with current status data. The grid resolution is specified as cn−γ with c > 0 being a scaling constant and γ > 0 regulating the sparsity of the grid relative to n, the number of subjects. The asymptotic behavior falls into three cases depending on γ: regular Gaussian-type asymptotics obtain for γ < 1/3, nonstandard cube-root asymptotics prevail when γ > 1/3 and γ = 1/3 serves as a boundary at which the transition happens. The limit distribution at the boundary is different from either of the previous cases and converges weakly to those obtained with γ ∈ (0, 1/3) and γ ∈ (1/3, ∞) as c goes to ∞ and 0, respectively. This weak convergence allows us to develop an adaptive procedure to construct confidence intervals for the value of the event time distribution at a point of interest without needing to know or estimate γ, which is of enormous advantage from the perspective of inference. A simulation study of the adaptive procedure is presented.