Analyzing Length-Biased Data With Semiparametric Transformation and Accelerated Failure Time Models
利用半参数变换与加速失效时间模型分析长度偏倚数据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：摘要聚焦生存时间、长度偏倚与删失处理，未明确涉及所列因果或分位数效应方向。
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…
利用半参数变换与加速失效时间模型分析长度偏倚数据
- 研究问题
- 在患病队列存在长度偏倚抽样和信息性右删失时，如何估计协变量对总体无偏失效时间的作用，是本文的问题。
- 方法与思路
- 作者用半参数变换模型与加速失效时间模型描述长度偏倚时间，构造无偏估计方程求回归系数，并分析大样本性质。
- 材料陈述的贡献
- 摘要称，所构造方程产生一致回归系数估计，论文推导其大样本性质，并通过模拟和痴呆患者队列应用展示方法。
- 阅读关注点
- 应核对患病队列的抽样机制、长度偏倚与删失的处理条件，以及观察时间模型如何对应总体失效时间的参数。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；摘要未列出抽样和删失条件，所述协变量效应也不能直接解释为因果效应。
原文摘要
Right-censored time-to-event data are often observed from a cohort of prevalent cases that are subject to length-biased sampling. Informative right censoring of data from the prevalent cohort within the population often makes it difficult to model risk factors on the unbiased failure times for the general population, because the observed failure times are length biased. In this paper, we consider two classes of flexible semiparametric models: the transformation models and the accelerated failure time models, to assess covariate effects on the population failure times by modeling the length-biased times. We develop unbiased estimating equation approaches to obtain the consistent estimators of the regression coefficients. Large sample properties for the estimators are derived. The methods are confirmed through simulations and illustrated by application to data from a study of a prevalent cohort of dementia patients.