Semiparametric Regression Estimation in the Presence of Dependent Censoring
存在依赖删失时的半参数回归估计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：摘要明确将方法用于随机试验的治疗均值效应，并调整依赖删失和非随机不依从。
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
存在依赖删失时的半参数回归估计
- 研究问题
- 在给定基线变量仍存在依赖删失时，如何估计随访末期结果的回归关系，并调整随机试验中的删失和非随机不依从？
- 方法与思路
- 作者提出半参数程序，假定给定已记录的时变协变量历史后，删失概率独立于末期结果，且无需完整指定完整数据似然。
- 材料陈述的贡献
- 摘要称估计量在随机缺失而非完全随机缺失下相合，可用于治疗均值效应研究，并能利用时变协变量相关性提升效率。
- 阅读关注点
- 应核对条件独立假设所需的观测历史、估计程序与相合条件，以及调整不依从时的目标效应和效率提升的前提。
- 阅读边界
- 仅据版本未注明的索引摘要，无法判断观测历史是否充分、其他识别条件或敏感性；不能推广到任意非随机缺失机制。
原文摘要
We propose a semiparametric estimation procedure for estimating the regression of an outcome Y, measured at the end of a fixed follow-up period, on baseline explanatory variables X, measured prior to start of follow-up, in the presence of dependent censoring given X. The proposed estimators are consistent when the data are ‘missing at random’ but not ‘missing completely at random’ (Rubin, 1976), and do not require full specification of the complete data likelihood. Specifically, we assume that the probability of censoring at time t is independent of the outcome Y conditional on the recorded history up to t of a vector of time-dependent covariates that are correlated with Y. Our estimators can be used to adjust for dependent censoring and nonrandom noncompliance in randomised trials studying the effect of a treatment on the mean of a response variable of interest. Even with independent censoring, our methods allow the investigator to increase efficiency by exploiting the correlation of the outcome with a vector of time-dependent covariates.