Counting process-based dimension reduction methods for censored outcomes
基于计数过程的删失结局降维方法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：摘要讨论生存分析中的通用降维方法，未提供与所列经济计量细分方向直接对应的证据。
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…
基于计数过程的删失结局降维方法
- 研究问题
- 如何在右删失生存数据中估计失效时间模型的降维子空间，同时减少对删失分布估计和高维非参数平滑的依赖？
- 方法与思路
- 作者以计数过程构造半参数估计方程，使非参数估计适应结构维数，并提出仅需奇异值分解的计算方案。
- 材料陈述的贡献
- 摘要称，方法无需估计删失分布，估计量具有渐近正态性；数值研究显示表现改善，并提供orthoDr实现。
- 阅读关注点
- 应核对删失机制所需条件、子空间识别和维数确定方式，以及奇异值分解方案与其他估计方案的适用关系。
- 阅读边界
- 摘要未列出删失假设、正则条件及数值比较设定；不能据此断言任意删失或高维情形下均能消除估计困难。
原文摘要
SUMMARY We propose counting process-based dimension reduction methods for right-censored survival data. Semiparametric estimating equations are constructed to estimate the dimension reduction subspace for the failure time model. Our methods address two limitations of existing approaches. First, using the counting process formulation, they do not require estimation of the censoring distribution to compensate for the bias in estimating the dimension reduction subspace. Second, the nonparametric estimation involved adapts to the structural dimension, so our methods circumvent the curse of dimensionality. Asymptotic normality is established for the estimators. We propose a computationally efficient approach that requires only a singular value decomposition to estimate the dimension reduction subspace. Numerical studies suggest that our new approaches exhibit significantly improved performance. The methods are implemented in the $\texttt{R}$ package $\texttt{orthoDr}$.