Asymptotic properties of the sequential empirical ROC, PPV and NPV curves under case-control sampling
病例对照抽样下序贯经验ROC、PPV与NPV曲线的渐近性质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：摘要针对诊断生物标志物的病例对照抽样与序贯曲线理论，没有给定经济计量细分领域的直接证据。
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
病例对照抽样下序贯经验ROC、PPV与NPV曲线的渐近性质
- 研究问题
- 在病例对照诊断研究中，如何描述随样本逐步累积而更新的经验ROC、阳性预测值和阴性预测值曲线的渐近行为？
- 方法与思路
- 作者使用序贯经验过程理论推导三类经验曲线的渐近结果，并据此进一步研究这些曲线的汇总指标。
- 材料陈述的贡献
- 摘要称，序贯经验ROC、PPV与NPV曲线收敛到独立Kiefer过程之和，为组序贯诊断研究的设计提供理论依据。
- 阅读关注点
- 应核对病例与对照的抽样比例、预测值曲线中的患病率处理，以及过程收敛怎样转化为汇总指标和序贯设计结果。
- 阅读边界
- 依据稿件版本未注明的OpenAlex索引摘要；摘要未给出具体设计规则、停止边界或有限样本覆盖表现。
原文摘要
The receiver operating characteristic (ROC) curve, the positive predictive value (PPV) curve and the negative predictive value (NPV) curve are three measures of performance for a continuous diagnostic biomarker. The ROC, PPV and NPV curves are often estimated empirically to avoid assumptions about the distributional form of the biomarkers. Recently, there has been a push to incorporate group sequential methods into the design of diagnostic biomarker studies. A thorough understanding of the asymptotic properties of the sequential empirical ROC, PPV and NPV curves will provide more flexibility when designing group sequential diagnostic biomarker studies. In this paper we derive asymptotic theory for the sequential empirical ROC, PPV and NPV curves under case-control sampling using sequential empirical process theory. We show that the sequential empirical ROC, PPV and NPV curves converge to the sum of independent Kiefer processes and show how these results can be used to derive asymptotic results for summaries of the sequential empirical ROC, PPV and NPV curves.