Identifiability of Bivariate Survival Curves from Censored Data
删失数据中双变量生存曲线的可识别性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：摘要讨论删失机制下生存分布的统计识别，未涉及处理干预或因果参数，不能因出现识别一词归入因果推断。
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
删失数据中双变量生存曲线的可识别性
- 研究问题
- 双变量右删失数据中，能否用弱于生存向量与删失向量相互独立的条件，识别真实的联合生存分布？
- 方法与思路
- 作者分析双变量删失问题，在具有全支撑的分布下用较弱的条件独立假设建立识别，并结合单变量模型作比较。
- 材料陈述的贡献
- 摘要称，联合生存分布可在较弱条件独立假设下识别，并论述这种模型作为一般非参数生存模型的适用性。
- 阅读关注点
- 应核对条件独立假设的精确定义、全支撑的作用、从观测分布恢复目标分布的论证，以及与相互独立假设的关系。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；条件独立的具体形式及识别证明未提供，不能自行重构条件或推断估计可行性。
原文摘要
We show that the survival curve is identifiable in bivariate censored data problems under weaker independence assumptions than have commonly been made. The common assumption has been mutual independence of (T 1, T 2) and (Z 1, Z 2), where (T 1, T 2) is the true survival vector, (Z 1, Z 2) is a nuisance censoring vector, and bivariate right-censored data is observed. We show that the distribution of (T 1, T 2) is identifiable under weaker, conditional independence assumptions for distributions with full support. Bivariate survival analysis is a more powerful analysis tool than univariate analysis if multiple, possibly related, times are of interest. The mutual independence model has become popular as a nonparametric way of analyzing such data. Analysis of the bivariate problem and analogy with univariate models are used to show that the conditional independence model is more widely applicable as a general nonparametric model for bivariate survival data.