Large sample theory for semiparametric regression models with two-phase, outcome dependent sampling
结果依赖两阶段抽样下半参数回归的大样本理论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：摘要研究结果依赖抽样下的半参数回归效率，没有明确因果参数、面板结构或其他所列领域的研究对象。
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…
结果依赖两阶段抽样下半参数回归的大样本理论
- 研究问题
- 在依据结果选择详细协变量测量对象的两阶段抽样中，如何确定半参数回归的效率界，并为最大似然与剖面似然推断提供依据？
- 方法与思路
- 作者推导渐近信息界、有效得分和影响函数，研究参数与非参数部分的最大似然估计，并验证最不利子模型的相关条件。
- 材料陈述的贡献
- 摘要称两部分最大似然估计均渐近正态且有效，参数部分的有效影响函数与更一般的信息界计算一致，并支持剖面似然推断。
- 阅读关注点
- 应核对两阶段抽样概率和观测结构、半参数模型设定，以及有效性和剖面似然推断成立所需的正则条件。
- 阅读边界
- 仅据版本未注明的OpenAlex索引摘要；抽样设计细节、具体模型和证明条件未说明，不能推断因果识别或刊本变化。
原文摘要
Outcome-dependent, two-phase sampling designs can dramatically reduce the costs of observational studies by judicious selection of the most informative subjects for purposes of detailed covariate measurement. Here we derive asymptotic information bounds and the form of the efficient score and influence functions for the semiparametric regression models studied by Lawless, Kalbfleisch and Wild (1999) under two-phase sampling designs. We show that the maximum likelihood estimators for both the parametric and nonparametric parts of the model are asymptotically normal and efficient. The efficient influence function for the parametric part agrees with the more general information bound calculations of Robins, Hsieh and Newey (1995). By verifying the conditions of Murphy and van der Vaart (2000) for a least favorable parametric submodel, we provide asymptotic justification for statistical inference based on profile likelihood.