Power-Transformed Linear Quantile Regression With Censored Data
删失数据的幂变换线性分位数回归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：摘要直接提出删失数据的分位数回归模型与估计方法，因此归入分位数与分布效应方向。
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
删失数据的幂变换线性分位数回归
- 研究问题
- 对于受到随机删失的生存数据，如何联合估计幂变换参数与线性分位数回归系数，并量化两类估计的不确定性？
- 方法与思路
- 作者先在给定变换参数时最小化凸目标估计回归系数，再用累积和过程构造模型差异度量选择变换参数，并用自助法估计方差。
- 材料陈述的贡献
- 摘要称两类参数估计具有强一致性和渐近正态性，并通过模拟与真实数据展示有限样本表现及方法应用。
- 阅读关注点
- 应核对删失机制、变换参数的识别与搜索、两阶段估计误差的传递，以及自助法如何处理依赖未知误差密度的协方差。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；删失条件、参数约束和具体模拟结果未提供，不能判断重删失情形下的可靠性。
原文摘要
We propose a class of power-transformed linear quantile regression models for survival data subject to random censoring. The estimation procedure follows two sequential steps. First, for a given transformation parameter, we can easily obtain the estimates for the regression coefficients by minimizing a well-defined convex objective function. Second, we can estimate the transformation parameter based on a model discrepancy measure by constructing cumulative sum processes. We show that both the regression and transformation parameter estimates are strongly consistent and asymptotically normal. The variance–covariance matrix depends on the unknown density function of the error term, so we estimate the variance by the usual bootstrap approach. We examine the performance of the proposed method for finite sample sizes through simulation studies and illustrate it with a real data example.