Hazard models with varying coefficients for multivariate failure time data
多元失效时间数据的变系数风险模型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。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
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：摘要聚焦多元生存数据的边际风险与变系数估计，未明确对应所列领域细分。
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…
多元失效时间数据的变系数风险模型
- 研究问题
- 如何估计多元失效时间数据中边际风险模型的变系数函数，并在保留估计表现的同时降低局部似然优化的计算负担？
- 方法与思路
- 作者提出局部伪部分似然、加权平均与一步估计，推导一致性、渐近正态性和标准误公式，并用模拟及健康调查数据展示方法。
- 材料陈述的贡献
- 摘要称，一步估计节约计算且保持渐近与模拟表现，最优加权平均更有效率，并给出系数标准误的推导和经验检验。
- 阅读关注点
- 应核对多元失效时间的依赖处理、删失条件、权重最优性的定义、一步估计的初始化要求，以及标准误公式的适用范围。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未核实；摘要未给出完整条件、计算节约幅度及实证结果，效率优势需结合具体设定判断。
原文摘要
Statistical estimation and inference for marginal hazard models with varying coefficients for multivariate failure time data are important subjects in survival analysis. A local pseudo-partial likelihood procedure is proposed for estimating the unknown coefficient functions. A weighted average estimator is also proposed in an attempt to improve the efficiency of the estimator. The consistency and asymptotic normality of the proposed estimators are established and standard error formulas for the estimated coefficients are derived and empirically tested. To reduce the computational burden of the maximum local pseudo-partial likelihood estimator, a simple and useful one-step estimator is proposed. Statistical properties of the one-step estimator are established and simulation studies are conducted to compare the performance of the one-step estimator to that of the maximum local pseudo-partial likelihood estimator. The results show that the one-step estimator can save computational cost without compromising performance both asymptotically and empirically and that an optimal weighted average estimator is more efficient than the maximum local pseudo-partial likelihood estimator. A data set from the Busselton Population Health Surveys is analyzed to illustrate our proposed methodology.