Smoothed nonparametric estimation for current status competing risks data
竞争风险当前状态数据的平滑非参数估计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：摘要研究竞争风险生存数据，未明确涉及所列分位数效应、因果推断或其他方向。
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…
关注这篇论文的作者
竞争风险当前状态数据的平滑非参数估计
- 研究问题
- 仅观察检查时点的事件状态且存在竞争风险时，如何估计累积发生函数和原因别风险函数，并改善未平滑估计的性质？
- 方法与思路
- 作者对朴素及完整非参数最大似然估计进行核平滑，再用代入原则估计原因别风险函数，并提出半平滑替代估计。
- 材料陈述的贡献
- 摘要称平滑估计具有逐点渐近正态性和更快收敛率，两类风险函数估计无一致效率优势，并展示带宽选择及感染数据应用。
- 阅读关注点
- 应核对检查时点与事件过程的观测条件、平滑和带宽要求，以及逐点结论、风险函数估计和效率比较的适用范围。
- 阅读边界
- 仅据版本未注明的索引摘要，无法核验渐近条件、收敛率细节和带宽表现；逐点正态性不等于全函数同时推断有效。
原文摘要
We study the nonparametric estimation of the cumulative incidence function and the cause-specific hazard function for current status data with competing risks via kernel smoothing. A smoothed naive nonparametric maximum likelihood estimator and a smoothed full nonparametric maximum likelihood estimator are shown to have pointwise asymptotic normality and faster convergence rates than the corresponding unsmoothed nonparametric likelihood estimators. Using the smoothed estimators and the plug-in principle, we can estimate the cause-specific hazard function, which has not been studied previously. We also propose semi-smoothed estimators of the cause-specific hazard as an alternative to the smoothed estimator and demonstrate that neither is uniformly more efficient than the other. Numerical studies show that a smoothed bootstrap method works well for selecting the bandwidths in the smoothed nonparametric estimation. The use of the estimators is exemplified by an application to cumulative incidence and hazard of subtype-specific HIV infection from a sero-prevalence study in injecting drug users in Thailand.