Maximization of the Marginal Likelihood of Grouped Survival Data
分组生存数据边际似然的最大化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：摘要研究分组生存数据及比例风险估计，未直接涉及给定的经济金融领域细分。
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…
分组生存数据边际似然的最大化
- 研究问题
- 在定期检查形成的分组失效时间数据中，大量并列事件使常用部分似然需要修改，如何进行比例风险模型估计？
- 方法与思路
- 作者在 Cox 比例风险模型下，用 Monte Carlo EM 算法最大化基于事件时间不完全秩的边际似然。
- 材料陈述的贡献
- 摘要称展示了该算法对分组数据求取边际似然最大似然估计的用法，并通过对精确失效时间数据人工分组进行示例。
- 阅读关注点
- 应核对不完全秩对应的似然定义、EM 中的潜在信息与模拟步骤，以及算法收敛和人工分组对估计结果的影响。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；摘要未给出算法误差、比较数值或监测机制假设，示例不能确立普遍优势。
原文摘要
Grouped failure time data occur in studies where subjects are monitored periodically to determine whether failure has occurred in the intervening interval. Here the model under consideration is Cox's (1972, 1975) proportional hazards model, but the commonly used method of partial likelihood needs modification with grouped data due to a potentially large number of ties. This paper demonstrates how the Monte Carlo em algorithm (Wei & Tanner, 1990) can be used on grouped data to find the maximum likelihood estimate from the marginal likelihood based on the incomplete ranks of the event times. The methodology is exemplified with a data set with precise failure times after artificially introducing grouping.