Minimum Distance Estimators of Scale With Censored Data
删失数据的尺度最小距离估计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：摘要研究一般删失尺度估计与百分位数区间，未提供经济学分布效应或其他所列方向的直接证据。
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
删失数据的尺度最小距离估计
- 研究问题
- 删失程度和尺度分布模型误设如何影响最小距离估计的渐近性质，以及由这些估计构造的百分位数置信区间覆盖？
- 方法与思路
- 作者最小化 Kaplan–Meier 生存分布估计与设定模型之间的加权 Cramér–von Mises 距离，并结合渐近分析与模拟。
- 材料陈述的贡献
- 摘要称，获得正确设定及更强条件下误设模型的渐近正态性和最优权重；部分估计的区间覆盖在多数删失水平下更接近目标。
- 阅读关注点
- 应核对模型误设下估计量的目标、最优权重依赖的条件，以及覆盖比较采用的分布偏离、删失机制和区间构造。
- 阅读边界
- OpenAlex 摘要未注明稿件版本，未给出具体条件或覆盖数值；关于部分指数尺度估计的比较不能推广到所有模型和删失水平。
原文摘要
This article examines how the level of censoring affects the performance of estimators of scale that minimize a weighted Cramérvon Mises distance between the Kaplan-Meier product-limit estimator of the survival distribution function and an assumed model. The article shows that under certain conditions these estimators are asymptotically normal if the survival function is a member of the assumed scale family. Weights that minimize the asymptotic variance under these conditions also are found. Under stronger conditions, the minimum distance estimators (MDE's) are asymptotically normal even if the survival function is not a member of the assumed scale family. Asymptotic coverage probabilities of confidence intervals are found for percentiles constructed from exponential MDE's of scale under departures from the exponential distribution, and what happens in the limiting cases of no censoring and complete censoring is examined. Using the asymptotic results and Monte Carlo experiments, several exponential MDE's of scale are compared to the exponential maximum likelihood estimator (MLE) of scale. The confidence intervals constructed from some of the MDE's have coverage probabilities closer to that expected under exponentiality than does the MLE at most censoring levels.