A Missing Information Principle and $M$-Estimators in Regression Analysis with Censored and Truncated Data
删失与截断回归中的缺失信息原理和 M 估计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：摘要研究一般截断删失回归与稳健估计，未明确涉及所列领域中的因果、分位数或结构模型。
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
删失与截断回归中的缺失信息原理和 M 估计
- 研究问题
- 当回归响应同时受到左截断与右删失时，如何构造 M 估计量，并分析其渐近正态性、效率和稳健性？
- 方法与思路
- 作者提出一般缺失信息原理，运用鞅中心极限定理与经验过程理论，并利用数据依赖得分函数构造渐近有效估计量。
- 材料陈述的贡献
- 摘要称，在一定假设下建立 M 估计量的渐近正态性，提出渐近有效方案，并推导影响函数以分析稳健性。
- 阅读关注点
- 核对左截断与右删失的观测机制、缺失信息原理的构造，以及渐近有效性的比较范围和影响函数的稳健性含义。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；截断删失机制与理论假设未具体说明，不能推断对信息性删失或任意缺失机制均有效。
原文摘要
A general missing information principle is proposed for constructing $M$-estimators of regression parameters in the presence of left truncation and right censoring on the observed responses. By making use of martingale central limit theorems and empirical process theory, the asymptotic normality of $M$-estimators is established under certain assumptions. Asymptotically efficient $M$-estimators are also developed by using data-dependent score functions. In addition, robustness properties of the estimators are discussed and formulas for their influence functions are derived for the robustness analysis.