Covariate measurement errors in frailty models for clustered survival data
聚类生存数据脆弱性模型中的协变量测量误差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：摘要研究生存模型的测量误差与聚类异质性，未明确对应经济结构估计、面板数据或因果推断。
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
聚类生存数据脆弱性模型中的协变量测量误差
- 研究问题
- 聚类生存数据中协变量测量误差如何影响回归系数与脆弱性方差估计，删失比例又如何改变这些偏差，如何进行校正估计？
- 方法与思路
- 作者建立带测量误差的脆弱性模型，研究观测协变量下的风险函数，以非参数极大似然估计基准风险，并开发 EM 算法。
- 材料陈述的贡献
- 摘要称证明模型可识别性及估计量存在性，并刻画忽略误差时系数衰减、方差膨胀及删失影响；另提供模拟与肯尼亚数据应用。
- 阅读关注点
- 核对测量误差与删失机制、脆弱性分布和识别所需信息，确认偏差方向的成立条件，以及 EM 算法和应用中的模型设定。
- 阅读边界
- 所据为稿件版本未注明的 OpenAlex 索引摘要。摘要未列识别及偏差结论的具体条件；其中的结构方法不能直接等同于经济结构估计。
原文摘要
We propose a new class of frailty measurement error models for clustered survival data when covariates are measured with error. We show that the induced hazard function conditional on the observed covariates also follows a frailty model but of a more complicated form. We study the asymptotic bias in regression coefficients and variance components when measurement error is ignored, and the impact of censoring on this asymptotic bias. We show that the naive estimator of the regression coefficient is attenuated and the naive estimator of the variance component is inflated when measurement error is ignored. As the censoring proportion increases, the asymptotic bias in the former becomes larger, but the asymptotic bias in the latter interestingly becomes smaller. We develop a structural approach for parameter estimation using the nonparametric maximum likelihood method, where the baseline hazard is estimated nonparametrically. We prove model identifiability and the existence of the nonparametric maximum likelihood estimators. An em algorithm is developed for calculating the nonparametric maximum likelihood estimates. The method is applied to the western Kenya parasitaemia data and its performance is evaluated through simulations.