Minimum Distance Estimators of Scale with Censored Data
删失数据下尺度参数的最小距离估计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：摘要研究删失生存资料中的通用尺度估计，分位点区间本身不足以确认经济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
删失数据下尺度参数的最小距离估计
- 研究问题
- 删失程度如何影响尺度参数最小距离估计的分布与精度，以及模型误设时由这些估计构造的分位点区间覆盖率？
- 方法与思路
- 作者最小化 Kaplan–Meier 生存分布估计与假定尺度模型之间的加权距离，研究正确设定、误设及极端删失情形。
- 材料陈述的贡献
- 摘要称给出渐近正态性条件与最小渐近方差权重；部分指数模型估计量在所考察误设下的区间覆盖更接近标称水平。
- 阅读关注点
- 应核对删失机制与权重限制、误设下估计所收敛的目标，以及不同删失程度下覆盖率和区间长度的比较。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；渐近结论依赖未列明的条件，部分覆盖率改善不能代表普遍优于最大似然。
原文摘要
This article examines how the level of censoring affects the performance of estimators of scale that minimize a weighted Cramérvon Mises distance between the Kaplan-Meier product-limit estimator of the survival distribution function and an assumed model. The article shows that under certain conditions these estimators are asymptotically normal if the survival function is a member of the assumed scale family. Weights that minimize the asymptotic variance under these conditions also are found. Under stronger conditions, the minimum distance estimators (MDE's) are asymptotically normal even if the survival function is not a member of the assumed scale family. Asymptotic coverage probabilities of confidence intervals are found for percentiles constructed from exponential MDE's of scale under departures from the exponential distribution, and what happens in the limiting cases of no censoring and complete censoring is examined. Using the asymptotic results and Monte Carlo experiments, several exponential MDE's of scale are compared to the exponential maximum likelihood estimator (MLE) of scale. The confidence intervals constructed from some of the MDE's have coverage probabilities closer to that expected under exponentiality than does the MLE at most censoring levels.