More efficient estimators for case-cohort studies
病例—队列研究的更高效估计量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：摘要涉及流行病学病例—队列抽样与效率改进，未明确对应所列计量领域细分。
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…
病例—队列研究的更高效估计量
- 研究问题
- 多个疾病研究共用一个子队列时，如何利用其他疾病病例额外采集的暴露信息，改善逐个疾病单独分析造成的信息利用不足？
- 方法与思路
- 作者同时考虑多疾病联合分析与分别分析，提出带有新权重函数的估计方程方法，并建立所得估计量的一致性和渐近正态性。
- 材料陈述的贡献
- 摘要称利用全部可用信息的方法在模拟中获得效率收益，并将方法应用于 Busselton 健康研究；未提供收益幅度或应用结论。
- 阅读关注点
- 应核对共同子队列与各疾病病例的抽样机制、权重构造、联合和分别分析的目标，以及疾病重叠与方差估计的处理。
- 阅读边界
- 材料为版本未注明的索引摘要；未给出权重公式、理论条件或效率数值，不能认定所有病例—队列设计均受益或推断刊本变化。
原文摘要
The case-cohort study design, used to reduce costs in large cohort studies, is a random sample of the entire cohort, named the subcohort, augmented with subjects having the disease of interest but not in the subcohort sample. When several diseases are of interest, several case-cohort studies may be conducted using the same subcohort, with each disease analyzed separately, ignoring the additional exposure measurements collected on subjects with the other diseases. This is not an efficient use of the data, and in this paper, we propose more efficient estimators. We consider both joint and separate analyses for the multiple diseases. We propose an estimating equation approach with a new weight function, and we establish the consistency and asymptotic normality of the resulting estimator. Simulation studies show that the proposed methods using all available information gain efficiency. We apply our proposed method to the data from the Busselton Health Study.