Likelihood approach for marginal proportional hazards regression in the presence of dependent censoring
相依删失下边际比例风险回归的似然方法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：摘要明确以总体治疗或干预效应为目标，并处理相依删失下的效应估计，但因果识别条件未在摘要中给出。
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
相依删失下边际比例风险回归的似然方法
- 研究问题
- 当失效时间存在可由高维辅助协变量解释的相依删失时，如何估计总体层面的治疗效应，并获得一致性、渐近正态性及效率保证？
- 方法与思路
- 作者利用两个工作模型压缩高维协变量，再在筛空间上最大化伪似然，以估计边际比例风险回归中的治疗效应。
- 材料陈述的贡献
- 摘要称，任一工作模型正确时估计量一致且渐近正态；两个模型都正确时，其渐近方差达到半参数效率界。
- 阅读关注点
- 应核对两个工作模型各自描述什么、降维如何处理相依删失、筛空间如何选择，以及治疗效应的因果解释所需设计与假设。
- 阅读边界
- 仅据所给 OpenAlex 索引摘要，稿件版本未注明；正则条件和治疗分配机制未说明，工作模型正确性不足以单独确立因果解释。
原文摘要
In many public health problems, an important goal is to identify the effect of some treatment/intervention on the risk of failure for the whole population. A marginal proportional hazards regression model is often used to analyze such an effect. When dependent censoring is explained by many auxiliary covariates, we utilize two working models to condense high-dimensional covariates to achieve dimension reduction. Then the estimator of the treatment effect is obtained by maximizing a pseudo-likelihood function over a sieve space. Such an estimator is shown to be consistent and asymptotically normal when either of the two working models is correct; additionally, when both working models are correct, its asymptotic variance is the same as the semiparametric efficiency bound.