Kernel Meets Sieve: Transformed Hazards Models with Sparse Longitudinal Covariates
核方法与筛方法结合：稀疏纵向协变量下的变换风险模型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：摘要聚焦生存模型中的稀疏时变协变量，尚不足以归入所列面板或因果推断方向。
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…
核方法与筛方法结合：稀疏纵向协变量下的变换风险模型
- 研究问题
- 对于删失结局，当时变协变量仅在少数时点被观测、完整轨迹不可得时，如何估计变换风险模型并进行统计推断？
- 方法与思路
- 作者将核加权对数似然与筛极大似然估计结合，利用间歇观测的时变协变量开展估计，并研究一般核加权筛 M 估计。
- 材料陈述的贡献
- 摘要称建立了估计量的渐近性质及一般理论框架，数值研究支持方法表现，武汉新冠研究应用识别出若干临床预测变量。
- 阅读关注点
- 应核对协变量观测时点与删失机制的条件、核带宽和筛维度的选择，以及一般 M 估计理论如何覆盖具体风险模型。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；稳健性的具体含义、观测机制要求及临床结果细节未说明，不能推断刊本变化。
原文摘要
We study the transformed hazards model with time-dependent covariates observed intermittently for the censored outcome. Existing work assumes the availability of the whole trajectory of the time-dependent covariates, which is unrealistic. We propose combining kernel-weighted log-likelihood and sieve maximum log-likelihood estimation to conduct statistical inference. The method is robust and easy to implement. We establish the asymptotic properties of the proposed estimator and contribute to a rigorous theoretical framework for general kernel-weighted sieve M-estimators. Numerical studies corroborate our theoretical results and show that the proposed method performs favorably over competing methods. The analysis of a dataset from a COVID-19 study in Wuhan identifies clinical predictors that otherwise cannot be obtained using existing methods. Supplementary materials for this article are available online, including a standardized description of the materials available for reproducing the work.