Weighted NPMLE for the Subdistribution of a Competing Risk
竞争风险子分布的加权非参数极大似然估计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：摘要聚焦竞争风险与生存回归，未明确涉及所列计量细分方向，不能仅凭估计与推断用语归类。
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…
竞争风险子分布的加权非参数极大似然估计
- 研究问题
- 对于具有多个竞争事件类型的数据，如何直接以似然方法建模子分布，并允许协变量对子分布风险率的作用随时间变化？
- 方法与思路
- 作者构造加权似然，将 Fine–Gray 模型扩展到一类半参数回归模型，以伪风险集解释估计，并提出三明治方差估计。
- 材料陈述的贡献
- 摘要称，作者建立估计量的一致性与渐近正态性，并通过独立右删失下的模拟及骨髓移植数据展示方法表现。
- 阅读关注点
- 应核对加权似然与伪风险集的定义、删失机制要求、时变协变量效应的建模方式，以及方差估计成立的条件。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；不能推断刊本变化。摘要未给出正则条件、模拟数值或非独立删失下的结论。
原文摘要
Direct regression modeling of the subdistribution has become popular for analyzing data with multiple, competing event types. All general approaches so far are based on non-likelihood based procedures and target covariate effects on the subdistribution. We introduce a novel weighted likelihood function that allows for a direct extension of the Fine-Gray model to a broad class of semiparametric regression models. The model accommodates time-dependent covariate effects on the subdistribution hazard. To motivate the proposed likelihood method, we derive standard nonparametric estimators and discuss a new interpretation based on pseudo risk sets. We establish consistency and asymptotic normality of the estimators and propose a sandwich estimator of the variance. In comprehensive simulation studies we demonstrate the solid performance of the weighted NPMLE in the presence of independent right censoring. We provide an application to a very large bone marrow transplant dataset, thereby illustrating its practical utility.