A Large Sample Study of Rank Estimation for Censored Regression Data
删失回归数据秩估计的大样本研究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：摘要讨论删失回归、计数过程和生存分析中的秩估计，未明确属于所列因果、分位数或面板方向。
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
删失回归数据秩估计的大样本研究
- 研究问题
- 对于删失回归数据，如何建立线性秩估计函数的渐近线性表示，并据此证明秩估计量的渐近正态性与一致性？
- 方法与思路
- 作者将秩估计函数写为计数过程在全实数轴上的随机积分，构造大样本近似，并处理尾部波动和非随机函数逼近。
- 材料陈述的贡献
- 摘要称获得渐近正态性及保证一致性的条件，并在两样本问题与误差分布具有递增失效率的情形中验证该条件。
- 阅读关注点
- 应核对删失机制要求、秩估计方程解的条件、尾部波动处理，以及递增失效率和两样本验证各自承担的作用。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；具体删失与正则条件未提供，不能推断任意秩估计或删失机制均适用。
原文摘要
Large sample approximations are developed to establish asymptotic linearity of the commonly used linear rank estimating functions, defined as stochastic integrals of counting processes over the whole line, for censored regression data. These approximations lead to asymptotic normality of the resulting rank estimators defined as solutions of the linear rank estimating equations. A second kind of approximations is also developed to show that the estimating functions can be uniformly approximated by certain more manageable nonrandom functions, resulting in a simple condition that guarantees consistency of the rank estimators. This condition is verified for the two-sample problem, thereby extending earlier results by Louis and Wei and Gail, as well as in the case when the underlying error distribution has increasing failure rate, which includes most parametric regression models in survival analysis. Techniques to handle the delicate tail fluctuations are provided and discussed in detail.