Locally efficient estimation of the survival distribution with right-censored data and covariates when collection of data is delayed
数据报告延迟下含协变量右删失生存分布的局部有效估计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：摘要研究延迟报告的生存数据与删失机制，未提供经济分布效应或其他所列细分的直接证据。
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…
关注这篇论文的作者
数据报告延迟下含协变量右删失生存分布的局部有效估计
- 研究问题
- 生存状态和随访协变量延迟报告时，如何估计生存时间分布，并在允许相关删失的情况下兼顾一致性与局部效率？
- 方法与思路
- 作者在条件删失风险模型正确的前提下，引入生存时间条件分布的低维工作模型，提出闭式一步估计并纳入协变量过程。
- 材料陈述的贡献
- 摘要称工作模型正确时估计可达效率界；在删失模型正确的前提下，工作模型误设仍可保持一致性和渐近正态性。
- 阅读关注点
- 应核对延迟、获知与删失过程的定义，删失模型正确性的要求，以及工作模型误设下结论所需的其他条件。
- 阅读边界
- 材料为OpenAlex索引摘要，稿件版本未注明；稳健性不等于任意模型误设均可容忍，具体条件与有限样本表现未说明。
原文摘要
For many sources of survival data, there is a delay between the recording of vital status and its availability to the analyst, and the Kaplan-Meier estimator is typically inconsistent in these situations. In this paper we identify the optimal estimation problem. As a result of the curse of dimensionality, no globally efficient nonparametric estimator exists with a good practical performance at moderate sample sizes. Following the approach of Robins & Rotnitzky (1992), given a correctly specified model for the hazard of censoring conditional on the delay process and T, we propose a closed-form one-step estimator of the distribution of T whose asymptotic variance attains the efficiency bound, if we can correctly specify a lower-dimensional working model for the conditional distribution of T given the ascertainment process. The estimator remains consistent and asymptotically normal even if this latter submodel is misspecified. In particular, if we choose as working model independence between T and the ascertainment process, then the estimator is efficient when this holds and remains consistent and asymptotically linear otherwise. Moreover, we incorporate in our data structure a covariate process that is observed during the follow-up time and is reported with the same delays. We propose closed-form locally efficient estimators of the type described above which use all the data and allow for dependent censoring.