Conditional likelihood inference under complex ascertainment using data augmentation
复杂入样机制下基于数据增广的条件似然推断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：摘要研究复杂入样下的一般条件似然方法，未明确构成因果推断或经济结构估计。
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
复杂入样机制下基于数据增广的条件似然推断
- 研究问题
- 当样本按复杂筛选规则入选、入样概率难以计算时，如何进行有效推断，并避免直接求解这些概率？
- 方法与思路
- 作者按入样规则模拟额外伪观测，以区分真实观测和伪观测的条件似然分析数据，使入样概率在似然中抵消。
- 材料陈述的贡献
- 摘要称提出一致但未达到完全效率的分析方法，避免显式计算入样概率，并用左截断失效时间例子展示。
- 阅读关注点
- 应核对伪观测的生成机制、概率抵消与一致性的条件，以及伪观测数量怎样影响效率损失和计算成本。
- 阅读边界
- 所给材料为版本未注明的 OpenAlex 索引摘要；一致性条件、效率损失幅度及模拟实现未说明，不能推断适用于任意选择机制。
原文摘要
In many applications, particularly in genetics, samples are drawn under complex ascertainment rules. For example, families may only be selected for study if two or more siblings have trait values exceeding some threshold. The correct likelihood for inference in such situations involves the probabilities of ascertainment, and these are frequently intractable. A consistent, but not fully efficient, method of analysis of such studies is proposed. The main idea is to augment the data with additional pseudo‐observations simulated under the ascertainment scheme, and to analyse using a conditional likelihood for discrimination between true observations and pseudo‐observations. Ascertainment probabilities cancel in this likelihood. The method is illustrated with a simple example involving left‐truncated failure times.