SPARCC: Semi-Parametric Robust Estimation in a Right-Censored Covariate Model
SPARCC：右删失协变量模型中的半参数稳健估计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：摘要聚焦医学研究中的删失协变量估计，未明确涉及因果效应、面板模型或其他所列领域细分。
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…
SPARCC：右删失协变量模型中的半参数稳健估计
- 研究问题
- 当诊断时间这一协变量存在大量右删失时，如何估计诊断前症状轨迹，并兼顾估计效率与干扰参数误设下的稳健性？
- 方法与思路
- 作者提出 SPARCC 估计量，对删失协变量与删失变量的密度进行建模，并讨论参数估计及非参数、机器学习估计两种情形。
- 材料陈述的贡献
- 摘要称，参数建模下该估计量具有双重稳健性；两项模型均正确或非参数估计收敛足够快时，可达到半参数效率。
- 阅读关注点
- 应核对删失机制与模型识别条件、双重稳健性的具体范围，以及机器学习估计所需收敛速度和症状轨迹应用的解释边界。
- 阅读边界
- 仅据所给 OpenAlex 摘要，无法确定删失假设、收敛速度门槛及有限样本表现；不推断后续刊本变化。
原文摘要
In Huntington disease research, a current goal is to understand how symptoms change prior to a clinical diagnosis. Statistically, achieving this goal entails modeling symptom severity as a function of the covariate 'time of diagnosis,' which is often heavily right-censored in observational studies. Existing estimators that handle right-censored covariates, such as the complete case estimator and maximum likelihood estimator, vary in their statistical efficiency and robustness to misspecifications of nuisance parameters (i.e., densities for the censored covariate and censoring variable). We propose a new "SPARCC" estimator (SemiPArametric Robust estimation in a right-Censored Covariate model) that is robust and efficient. When the nuisance parameters are modeled parametrically, the SPARCC estimator is doubly robust, i.e., consistent if at least one nuisance parameter is correctly specified, and semiparametric efficient if both are correctly specified. When the nuisance parameters are estimated via nonparametric or machine learning methods that converge sufficiently fast, the SPARCC estimator is consistent and semiparametric efficient. We show empirically that the proposed estimator, implemented in the R package sparcc, has its claimed properties, and we apply it to estimate Huntington disease symptom trajectories using data from the Enroll-HD study.