Semiparametric regression estimation in the presence of dependent censoring
依赖删失下的半参数回归估计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：摘要明确将依赖删失与非随机不依从调整用于随机试验中的处理均值效应研究。
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
依赖删失下的半参数回归估计
- 研究问题
- 当固定随访终点的结果因依赖删失而缺失时，如何估计其对基线变量的回归，并用于随机试验的均值效应分析？
- 方法与思路
- 作者以已记录的时变协变量历史为条件，假定删失概率与终点结果独立，构造无需完整指定全数据似然的半参数估计。
- 材料陈述的贡献
- 摘要称估计量在随机缺失条件下保持一致，可调整依赖删失及非随机不依从；独立删失时也可利用时变协变量提高效率。
- 阅读关注点
- 应核对历史信息是否充分、删失与不依从如何分别进入估计，以及一致性和效率结论对工作模型及观测机制的要求。
- 阅读边界
- 依据版本未注明的 OpenAlex 索引摘要。随机缺失依赖记录历史，不能理解为允许任意非随机缺失；不依从调整条件未详述。
原文摘要
We propose a semiparametric estimation procedure for estimating the regression of an outcome Y, measured at the end of a fixed follow-up period, on baseline explanatory variables X, measured prior to start of follow-up, in the presence of dependent censoring given X. The proposed estimators are consistent when the data are ‘missing at random’ but not ‘missing completely at random’ (Rubin, 1976), and do not require full specification of the complete data likelihood. Specifically, we assume that the probability of censoring at time t is independent of the outcome Y conditional on the recorded history up to t of a vector of time-dependent covariates that are correlated with Y. Our estimators can be used to adjust for dependent censoring and nonrandom noncompliance in randomised trials studying the effect of a treatment on the mean of a response variable of interest. Even with independent censoring, our methods allow the investigator to increase efficiency by exploiting the correlation of the outcome with a vector of time-dependent covariates.