Current status data with competing risks: Limiting distribution of the MLE
竞争风险下现状数据的非参数极大似然估计：极限分布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：摘要属于竞争风险生存数据的通用非参数理论，未明确对应所列经济计量细分方向。
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…
竞争风险下现状数据的非参数极大似然估计：极限分布
- 研究问题
- 在只能观察检查时点事件状态的竞争风险数据中，非参数极大似然估计与较简单估计量具有怎样的局部极限分布？
- 方法与思路
- 作者利用已有收敛结果推导两类估计量的局部极限分布，分别涉及带抛物线漂移的布朗过程凸次包络和自诱导过程。
- 材料陈述的贡献
- 摘要称极大似然估计的极限分布涉及新的自诱导过程，并报告其均方误差在小样本模拟及渐近比较中优于简单估计量。
- 阅读关注点
- 应核对观察与竞争风险机制、局部正则条件、自诱导过程的定义，以及均方误差比较范围；收敛速度应查原始排版。
- 阅读边界
- 索引摘要未注明稿件版本，收敛速度的指数排版不清，需查原PDF；不能重构公式或推断所有竞争风险场景中的优势。
原文摘要
We study nonparametric estimation for current status data with competing risks. Our main interest is in the nonparametric maximum likelihood estimator (MLE), and for comparison we also consider a simpler 'naive estimator'. Groeneboom, Maathuis and Wellner [8] proved that both types of estimators converge globally and locally at rate n(1/3). We use these results to derive the local limiting distributions of the estimators. The limiting distribution of the naive estimator is given by the slopes of the convex minorants of correlated Brownian motion processes with parabolic drifts. The limiting distribution of the MLE involves a new self-induced limiting process. Finally, we present a simulation study showing that the MLE is superior to the naive estimator in terms of mean squared error, both for small sample sizes and asymptotically.