Self-consistent nonparametric maximum likelihood estimator of the bivariate survivor function
二元生存函数的自洽非参数最大似然估计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：摘要研究双重删失下二元生存函数的通用非参数估计，未明确经济分布效应或其他所列细分方向。
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…
关注这篇论文的作者
二元生存函数的自洽非参数最大似然估计
- 研究问题
- 二元生存函数的非参数似然因过度参数化而出现唯一性问题时，如何重新定义估计对象并纳入双重删失观测？
- 方法与思路
- 作者只在有信息的未删失网格点估计双重失效风险率，对其他点作指定；先用部分数据估计，再通过自洽性纳入暂时剔除的观测。
- 材料陈述的贡献
- 摘要称，该构造产生唯一且非迭代的两步估计量，并提供渐近分布和模拟评价；对应分布函数估计在中等样本下有部分效率改善。
- 阅读关注点
- 应核对非信息网格点风险率的指定方式、唯一性对应的参数空间、两步自洽计算，以及生存函数与分布函数效率比较的差异。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；唯一性与所提重定义相联系，指定规则和证明条件未展开，改善机制仅属作者推测。
原文摘要
As usually formulated the nonparametric likelihood for the bivariate survivor function is over-parameterized, resulting in uniqueness problems for the corresponding nonparametric maximum likelihood estimator. Here the estimation problem is redefined to include parameters for marginal hazard rates, and for double failure hazard rates only at informative uncensored failure time grid points where there is pertinent empirical information. Double failure hazard rates at other grid points in the risk region are specified rather than estimated. With this approach the nonparametric maximum likelihood estimator is unique, and can be calculated using a two-step procedure. The first step involves setting aside all doubly censored observations that are interior to the risk region. The nonparametric maximum likelihood estimator from the remaining data turns out to be the Dabrowska (1988) estimator. The omitted doubly censored observations are included in the procedure in the second stage using self-consistency, resulting in a non-iterative nonpara-metric maximum likelihood estimator for the bivariate survivor function. Simulation evaluation and asymptotic distributional results are provided. Moderate sample size efficiency for the survivor function nonparametric maximum likelihood estimator is similar to that for the Dabrowska estimator as applied to the entire dataset, while some useful efficiency improvement arises for corresponding distribution function estimator, presumably due to the avoidance of negative mass assignments.