Likelihood-Based Methods for Missing Covariates in the Cox Proportional Hazards Model
Cox 比例风险模型中缺失协变量的似然方法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：摘要直接研究生存模型与缺失协变量，临床试验背景本身不足以将其归为因果推断等所列细分。
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
Cox 比例风险模型中缺失协变量的似然方法
- 研究问题
- 当协变量随机缺失且删失无信息时，如何估计 Cox 比例风险模型参数，并改善完整案例分析的偏差与效率？
- 方法与思路
- 作者提出似然估计及其计算近似，采用加权 EM；连续缺失协变量通过结合 Gibbs 抽样的蒙特卡洛 EM 处理。
- 材料陈述的贡献
- 摘要称给出估计量的渐近分布，并在随机缺失设定下较完整案例分析提高效率、纠正偏差，以黑色素瘤试验作应用。
- 阅读关注点
- 应核对随机缺失和无信息删失的具体定义、缺失协变量分布设定，以及似然近似误差如何影响估计和推断。
- 阅读边界
- 索引摘要未注明稿件版本，未给出完整模型条件与比较数值；所述优势依赖随机缺失等设定，不能推广至非随机缺失。
原文摘要
Problems associated with missing covariate data are well known but often ignored. We present a method for estimating the parameters in the Cox proportional hazards model when the missing data are missing at random (MAR) and censoring is noninformative. Due to the computational burden of this method, we introduce an approximation that allows us to use a weighted expectation-maximization (EM) algorithm to estimate the parameters more easily. When the missing covariates are continuous rather than categorical, we implement a Monte Carlo version of the EM algorithm along with the Gibbs sampler to obtain parameter estimates. We also give the asymptotic distribution of these estimates. The primary advantage of this method over complete case analysis is that it produces more efficient parameter estimates and corrects for bias in the MAR setting. To motivate the methodology, we present an analysis of a phase III melanoma clinical trial conducted by the Eastern Cooperative Oncology Group.