Functional Inference in Frailty Measurement Error Models for Clustered Survival Data Using the SIMEX Approach
聚类生存数据中脆弱性测量误差模型的 SIMEX 函数型推断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：摘要研究聚类生存分析与测量误差，簇内相关性不足以支持面板数据或网络干扰分类。
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
聚类生存数据中脆弱性测量误差模型的 SIMEX 函数型推断
- 研究问题
- 聚类生存数据的协变量存在测量误差时，如何避免潜在协变量分布误设造成的偏差，并检验簇内相关性？
- 方法与思路
- 作者通过反复拟合标准脆弱性模型实施 SIMEX，研究估计量渐近性质，并提出可反复拟合 Cox 模型实现的方差分量得分检验。
- 材料陈述的贡献
- 摘要称潜在协变量分布误设可导致似然估计渐近偏差；SIMEX 估计一致且渐近正态，所提检验免于指定两类潜在分布。
- 阅读关注点
- 应核对测量误差模型、SIMEX 外推方式及一致性的条件，区分估计方法与得分检验各自需要的分布假设。
- 阅读边界
- 版本未注明的索引摘要未列出测量误差和外推条件，也未报告模拟数值；免于指定部分分布不意味着完全无模型假设。
原文摘要
We consider frailty models for clustered survival data in the presence of measurement errors in covariates. We first show that when the measurement error is accounted for in a full likelihood analysis but the distribution of the unobserved covariate is misspecified, the maximum likelihood estimators are asymptotically biased, especially for the variance component, whose bias can be substantial. We then discuss making inference using functional estimation via the SIMEX method where no distribution of the unobserved error-prone covariate is assumed. The SIMEX method is easy to implement by repeatedly fitting standard frailty models. We study the asymptotic properties of the SIMEX estimates and show that they are consistent and asymptotically normal. In simulation studies, we compare the SIMEX method and the likelihood method in terms of efficiency and robustness. We also propose a SIMEX score test for the variance component to test for the within-cluster correlation and evaluate its performance through simulation studies. The SIMEX variance component score test does not require specifying distributions for the random effect and the unobserved error-prone covariate, and is easy to implement by repeatedly fitting standard Cox models. The proposed methods are illustrated using the Kenya parasitemia data.