Pseudo-partial likelihood estimators for the Cox regression model with missing covariates
缺失协变量下 Cox 回归模型的伪偏似然估计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：摘要目标是缺失协变量下的生存回归参数，未明确涉及因果效应或其他所列方向。
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
缺失协变量下 Cox 回归模型的伪偏似然估计
- 研究问题
- Cox 回归存在协变量缺失时，如何构造一致且渐近正态的估计，并改善低观测概率下缺失协变量效应的估计表现？
- 方法与思路
- 作者将缺失协变量数据嵌入左截断与右删失生存模型，构造一类加权估计函数，得到伪偏似然估计量。
- 材料陈述的贡献
- 摘要称，新估计量一致且渐近正态；模拟中，相比逆概率加权估计，在观测概率较小时表现更好并改善效率。
- 阅读关注点
- 应核对协变量缺失机制、观测概率的估计方式、权重构造与正则条件，以及模拟比较中的效率指标和参数设定。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；摘要未说明缺失机制和效率增益数值，模拟优势不能推及所有缺失数据情形。
原文摘要
By embedding the missing covariate data into a left-truncated and right-censored survival model, we propose a new class of weighted estimating functions for the Cox regression model with missing covariates. The resulting estimators, called the pseudo-partial likelihood estimators, are shown to be consistent and asymptotically normal. A simulation study demonstrates that, compared with the popular inverse-probability weighted estimators, the new estimators perform better when the observation probability is small and improve efficiency of estimating the missing covariate effects. Application to a practical example is reported.