Modular Nonparametric Subsurvival Estimation
模块化非参数子生存分布估计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：摘要聚焦删失生存分布与生物医学应用，未明确研究所列分位数效应或因果识别问题。
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…
模块化非参数子生存分布估计
- 研究问题
- 如何利用随机删失与未删失失效时间的信息估计生存分布，尤其改善长期生存率及难以参数化建模的相关应用。
- 方法与思路
- 作者以不同子生存样本的曲线估计组合出闭式非参数极大似然曲线估计量，并通过 Weibull 与对数正态模拟比较误差。
- 材料陈述的贡献
- 摘要称，在所考察模拟中，即使最不利情形，新方法的预测误差仍低于常规及针对长期估计优化的 LT、KM 方法的七分之一。
- 阅读关注点
- 应核对子生存总体的定义、随机删失要求、长期预测误差的计算方式，以及模拟中 LT、KM 优化和比较的具体规则。
- 阅读边界
- 所给材料是稿件版本未注明的 OpenAlex 索引摘要；七分之一的说法限于摘要所述模拟，提及混杂变量并不构成因果识别证明。
原文摘要
This article describes new methods for estimating survival distributions based on nonparametric curve estimators. One approach improves the estimation of long-term survival rates. Simulation studies using Weibull and lognormal data show that even in the case found to be least favorable, the new method has less than one-seventh the prediction error of all conventional life-table (LT) or Kaplan–Meier (KM) estimators, even when the LT and KM techniques are optimized for the purpose of long-term survival estimation. In addition to conventional survival applications, one can also estimate the probability of being disease-free at different ages and following different exposures to possibly harmful environmental contaminants. This approach is particularly useful in situations where the effects of a confounding, nuisance, or effect-modifying variable cannot be confidently modeled in a parametric form. The new techniques are based on a closed-form nonparametric maximum likelihood curve estimator expressed in terms of separate curve estimates obtained from samples of randomly censored and uncensored times to failure—that is, subsurvival populations.