Stochastic Quasi-Likelihood for Case-Control Point Pattern Data
病例—对照点模式数据的随机拟似然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：摘要研究空间点过程的拟似然估计，病例—对照设计本身不足以归入因果推断或所列其他细分领域。
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…
病例—对照点模式数据的随机拟似然
- 研究问题
- 对于病例—对照点过程数据，如何利用对照点模式构造计算高效的拟似然估计，并获得可刻画的渐近性质与信息效率？
- 方法与思路
- 作者让拟似然权重依赖随机对照点模式，并通过模拟合成对照点过程，将该程序用于单变量点过程的高效拟似然实现。
- 材料陈述的贡献
- 摘要称在一定条件下估计量一致且渐近正态，并在一类广泛估计函数中最大化 Godambe 信息，模拟和两个实例展示效果。
- 阅读关注点
- 核对病例与对照点过程的设定、随机权重构造、合成对照的生成方式，以及渐近条件和信息最优性对应的比较范围。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；摘要未列具体条件，信息最优性限于所述估计函数类别，不能推断刊本变化。
原文摘要
We propose a novel stochastic quasi-likelihood estimation procedure for case-control point processes. Quasi-likelihood for point processes depends on a certain optimal weight function and for the new method the weight function is stochastic since it depends on the control point pattern. The new procedure also provides a computationally efficient implementation of quasi-likelihood for univariate point processes in which case a synthetic control point process is simulated by the user. Under mild conditions, the proposed approach yields consistent and asymptotically normal parameter estimators. We further show that the estimators are optimal in the sense that the associated Godambe information is maximal within a wide class of estimating functions for case-control point processes. The effectiveness of the proposed method is further illustrated using extensive simulation studies and two data examples.