Estimation of dynamic models of recurrent events with censored data
删失数据下重复事件动态模型的估计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：摘要研究删失重复事件的动态似然估计，未明确对应所列面板、离散选择或结构估计细分。
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…
关注这篇论文的作者
删失数据下重复事件动态模型的估计
- 研究问题
- 连续时间重复事件动态模型面对删失和未观测异质性时，如何利用不完整事件历史开展可行的似然估计？
- 方法与思路
- 作者构造最大模拟似然估计，以蒙特卡洛及重要性抽样积分消去缺失数据，并通过求积规则处理随机效应。
- 材料陈述的贡献
- 摘要称，模拟估计具有实际可行性，并在其实验中优于整例删除和初始条件辅助建模；另研究新西兰毛利男性心脏病事件。
- 阅读关注点
- 应核对删失机制和事件依赖结构、初始条件处理方式，以及模拟积分、重要性抽样和随机效应求积的误差控制。
- 阅读边界
- 摘要未说明具体模型、删失假设或比较指标；模拟中的相对表现不足以保证其他事件过程和删失机制下同样有效。
原文摘要
Summary In this paper, we consider estimation of dynamic models of recurrent events (event histories) in continuous time using censored data. We develop maximum simulated likelihood estimators where missing data are integrated out using Monte Carlo and importance sampling methods. We allow for random effects and integrate out this unobserved heterogeneity using a quadrature rule. In Monte Carlo experiments, we find that maximum simulated likelihood estimation is practically feasible and performs better than both listwise deletion and auxiliary modelling of initial conditions. In an empirical application, we study ischaemic heart disease events for male Maoris in New Zealand.