The Asymptotic Joint Distribution of Regression and Survival Parameter Estimates in the Cox Regression Model
Cox 回归模型中回归与生存参数估计的渐近联合分布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 Cox 生存模型的似然与联合渐近分布，未提供所列经济计量细分方向的直接依据。
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 回归模型中回归与生存参数估计的渐近联合分布
- 研究问题
- Cox 模型回归参数和累计基准风险函数估计量的渐近联合分布如何刻画，其似然推断可以获得怎样的理论支持？
- 方法与思路
- 作者将得分函数表示为独立观测的函数，并以涉及独立增量过程的表示分析累计风险估计量，推导联合渐近分布。
- 材料陈述的贡献
- 摘要称建立回归估计量的渐近正态性与似然型协方差结果，给出联合渐近分布，并讨论得分表示的观测影响诊断用途。
- 阅读关注点
- 应核对删失与正则条件、联合渐近分布的形式，以及摘要引用的无并列事件协方差估计结果与本文结论的边界。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；无并列事件下的协方差估计论证被归于他文，不能扩展为任意删失或并列情形的保证。
原文摘要
In this paper it is shown that the Cox likelihood (Cox, 1972) may be treated as a standard likelihood, in the sense that its maximizer $\hat{\beta}$ is asymptotically normally distributed with asymptotic covariance matrix equal to $-\{E \partial^2 \log L (\beta)/\partial\beta\partial\beta'\}^{-1}$. In the process, an asymptotic representation of the score function is obtained in terms of functions of the independent observations. This representation may have some uses in itself such as: (1) providing a kind of residual for each observation, censored or uncensored, thereby indicating the relative influence of the observations, and (2) providing some information about the applicability of the asymptotics in a particular small sample. The asymptotic joint distribution of $\hat{\beta}$ and of the cumulative hazard function estimator $\hat{Lambda}_0(t)$ is also derived via a representation of the latter involving an independent increments process. Bailey (1982) shows that the "joint likelihood function" of the regression parameters $\beta$ and of the cumulative hazard jump parameters $\{\Lambda_i\}$ can be used in a natural way to obtain consistent estimates of these joint asymptotic covariances in the case of no ties. This justifies, to some extent, use of the general ML method for joint estimation of $\beta$ and $\Lambda_0(t)$.