Reweighting Estimators for Cox Regression With Missing Covariates
协变量缺失下Cox回归的重加权估计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：摘要研究生存回归中的缺失协变量处理，未给出因果、面板或其他所列细分方向的明确依据。
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…
协变量缺失下Cox回归的重加权估计
- 研究问题
- 当Cox生存回归中的协变量缺失，且缺失机制可能依赖结局与已观测协变量时，如何获得可靠的回归参数估计？
- 方法与思路
- 作者提出重加权方法，并通过扣除在干扰切空间上的投影项构造增广版本，处理单调及任意非单调缺失模式。
- 材料陈述的贡献
- 摘要称估计量具有一致性与渐近正态性；所报告模拟中，其对缺失协变量系数的效率在多数情形优于逆概率加权。
- 阅读关注点
- 核对允许结局依赖缺失的具体条件、权重估计与增广项构造，并检查效率比较使用的缺失模式、模型设定和样本规模。
- 阅读边界
- 所据为版本未注明的索引摘要；摘要未完整说明缺失机制假设与效率结论的条件，模拟比较不能视为普遍优势。
原文摘要
Missingness in covariates is a common problem in survival data. In this article we propose a reweighting method for estimating the regression parameters in the Cox model with missing covariates. We also consider the augmented reweighting method by subtracting the projection term onto the nuisance tangent space. The proposed method provides consistent and asymptotically normally distributed estimators when the missing-data mechanism depends on the outcome variables, as well as on the observed covariates with either monotone or arbitrary nonmonotone missingness patterns. Simulation results indicate that in most situations, the proposed reweighting estimators are more efficient than the inverse probability weighting estimators for the regression coefficients of the missing covariates and are as efficient as or more efficient than the inverse probability weighting estimators for the regression coefficients of the completely observed covariates. The simple reweighting estimators can be easily implemented in standard statistical packages.