Spatial Proportional Hazards Model with Differential Regularization
带微分正则化的空间比例风险模型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。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
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：摘要主题为空间生存数据的半参数建模与渐近理论，属于生存分析与空间统计方向；用户提供的领域细分 key 均为微观因果、面板、宏观时间序列与金融计量等方向，与该文主题无直接对应，故不选择。
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
带微分正则化的空间比例风险模型
- 研究问题
- 摘要称，在空间生存数据中，事件时间与给定区域内的空间位置相关，而比例风险模型常用的协变量与风险函数对数线性假设难以刻画空间效应；本文关注如何对空间位置效应建模并估计。
- 方法与思路
- 作者提出用空间位置的非参数函数刻画位置效应，在三角网格上用有限元方法逼近以适应不规则区域；在经典偏似然框架下估计，通过微分惩罚施加空间效应平滑性，并用筛方法建立参数部分的相合性与渐近正态性。
- 材料陈述的贡献
- 摘要明确陈述的贡献是：提出以非参数空间位置函数加微分正则化的空间比例风险建模与估计框架，给出参数分量的渐近理论，并通过模拟与两个实证应用展示相对已有方法的更优表现。
- 阅读关注点
- 阅读全文时应核对：空间效应与协变量的可识别性条件、微分惩罚的具体形式与调参方式、有限元网格与节点选择、筛方法的正则条件、渐近结论的适用范围，以及模拟与实证中比较对象和评价指标是否支持“更优”的表述。
- 阅读边界
- 仅凭摘要无法判断模型假设是否合理、理论证明细节、惩罚参数选择敏感性、实证数据来源与可复现性，也无法核实“优于现有方法”的具体证据；该文为 arXiv 预印本，未经同行评审验证，不应据此声称已被期刊接收。
原文摘要
The Proportional Hazards (PH) model is one of the most widely used models in survival analysis, typically assuming a log-linear relationship between covariates and the hazard function. However, in the context of spatial survival data, where the time-to-event variable is associated with a spatial location within a given domain, this assumption is often unrealistic in capturing spatial effects. Thus, this paper proposes modeling the location effect through a nonparametric function of spatial location. The function is approximated using finite element methods on a triangulated mesh to accommodate irregular domains. Estimation is carried out within the classical partial likelihood framework, with smoothness of the spatial effect enforced through differential penalization. Using sieve methods, we establish the consistency and asymptotic normality of the parametric component. Simulations and two empirical applications demonstrate superior performance compared to existing approaches.