Penalized log-likelihood estimation for partly linear transformation models with current status data
现时状态数据下部分线性变换模型的惩罚对数似然估计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：摘要属于半参数事件时间分析，未明确涉及所列因果、面板或经济分布效应方向。
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
现时状态数据下部分线性变换模型的惩罚对数似然估计
- 研究问题
- 对于只提供检查时点事件状态的现时状态数据，如何同时估计变换函数、线性回归参数和非参数回归效应并进行推断？
- 方法与思路
- 作者研究部分线性变换模型的惩罚最大似然估计，以分块刀切法进行回归参数推断，并讨论计算与模拟表现。
- 材料陈述的贡献
- 摘要称回归参数估计具有参数收敛速度、渐近正态性和效率，且该模型为现时状态分析提供灵活的Cox模型替代方案。
- 阅读关注点
- 应核对惩罚项、函数约束、参数效率所需条件、分块刀切法的构造，以及非参数部分收敛速度的原始数学记号。
- 阅读边界
- 索引摘要版本未注明；非参数收敛速度的上下标显示不清，需查原PDF。摘要未给出正则条件、模拟数值或普遍优越性证据。
原文摘要
We consider partly linear transformation models applied to current status data. The unknown quantities are the transformation function, a linear regression parameter and a nonparametric regression effect. It is shown that the penalized MLE for the regression parameter is asymptotically normal and efficient and converges at the parametric rate, although the penalized MLE for the transformation function and nonparametric regression effect are only n1/3 consistent. Inference for the regression parameter based on a block jackknife is investigated. We also study computational issues and demonstrate the proposed methodology with a simulation study. The transformation models and partly linear regression terms, coupled with new estimation and inference techniques, provide flexible alternatives to the Cox model for current status data analysis.