Semiparametric Transformation Models for Point Processes
点过程的半参数变换模型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：摘要研究通用点过程及临床重复事件，未明确涉及因果识别或金融高频数据。
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…
点过程的半参数变换模型
- 研究问题
- 对具有任意大小正跳跃且可能被删失的点过程，如何灵活描述协变量对均值函数的影响，并在不指定随机结构时开展推断？
- 方法与思路
- 作者提出半参数变换模型，用删失点过程与协变量构造基线均值函数和回归参数的估计方程，并采用 Newton–Raphson 算法求解。
- 材料陈述的贡献
- 摘要称，回归参数估计一致且渐近正态，基线均值估计一致并适当标准化后弱收敛于高斯过程，相应协方差可一致估计。
- 阅读关注点
- 应核对删失及协变量条件、均值变换的设定与识别，以及估计方程求解、协方差估计和基线函数推断的具体要求。
- 阅读边界
- 仅据版本未注明的 OpenAlex 摘要；删失条件和模拟数值未提供，临床实例不等同于因果识别，也不能直接外推到金融点过程。
原文摘要
In this article, we propose a family of semiparametric transformation models for point processes with positive jumps of arbitrary sizes. These models offer great flexibilities in formulating the effects of covariates on the mean function of the point process while leaving the stochastic structure completely unspecified. We develop a class of estimating equations for the baseline mean function and the vector-valued regression parameter based on censored point processes and covariate data. These equations can be solved easily by the standard Newton–Raphson algorithm. The resultant estimator of the regression parameter is consistent and asymptotically normal with a covariance matrix that can be estimated consistently. Furthermore, the estimator of the baseline mean function is uniformly consistent and, upon proper normalization, converges weakly to a zero-mean Gaussian process with an easily estimated covariance function. We demonstrate through extensive simulation studies that the proposed inference procedures are appropriate for practical use. The data on recurrent pulmonary exacerbations from a cystic fibrosis clinical trial are provided for illustration.