NONPARAMETRIC IDENTIFICATION OF THE MIXED HAZARD MODEL USING MARTINGALE-BASED MOMENTS
利用鞅矩条件非参数识别混合风险率模型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。
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：摘要明确研究持续期风险率模型的识别，但未提供与给定领域细分直接对应的应用或结构行为信息。
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
利用鞅矩条件非参数识别混合风险率模型
- 研究问题
- 当协变量随机、随时间变化且被事件删失时，如何非参数识别混合风险率模型，并利用可观测过程构造不依赖风险率函数的矩条件？
- 方法与思路
- 作者为每组参数构造可观测过程，利用真实参数对应过程具有唯一鞅结构、错误参数不具有该结构的性质建立识别矩条件。
- 材料陈述的贡献
- 摘要称，唯一鞅结构产生仅由真实参数满足的一族矩条件，从而识别模型并提示 GMM 估计路径，且这些矩条件无需使用风险率函数。
- 阅读关注点
- 应核对协变量丰富路径结构的具体要求、事件删失的信息处理、鞅相对于何种信息集成立，以及识别矩条件如何用于估计。
- 阅读边界
- 仅依据所给 Crossref 摘要；路径与识别条件未具体说明，GMM 仅被作为建议方向，不能补称已建立其渐近理论或推断刊本变化。
原文摘要
Nonparametric identification of the Mixed Hazard model is shown. The setup allows for covariates that are random, time-varying, satisfy a rich path structure and are censored by events. For each set of model parameters, an observed process is constructed. The process corresponding to the true model parameters is a martingale, the ones corresponding to incorrect model parameters are not. The unique martingale structure yields a family of moment conditions that only the true parameters can satisfy. These moments identify the model and suggest a GMM estimation approach. The moments do not require use of the hazard function.