Identifiability and censored data
可识别性与删失数据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：摘要中的识别针对删失生存分布，未涉及处理效应或所列其他经济计量细分方向。
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
可识别性与删失数据
- 研究问题
- 当生存时间与删失时间不独立时，什么替代条件能从实际观测中识别生存函数，并保持常用估计和方差公式有效？
- 方法与思路
- 作者通过给定生存时间时删失时间的条件分布提出一个条件，证明其与已有常和条件等价，并给出满足条件的例子。
- 材料陈述的贡献
- 摘要称，在该条件下生存函数可由观测时间与指示变量的联合分布识别，Kaplan–Meier 估计及 Greenwood 方差公式仍有效。
- 阅读关注点
- 应核对条件分布限制的精确定义、与常和条件的等价证明，以及观测指示变量约定和估计有效性的具体范围。
- 阅读边界
- 仅据稿件版本未注明的 OpenAlex 摘要；关键条件未写出，不能据此认为任意依赖删失均可处理，也不能推断刊本变化。
原文摘要
It is well known that, without the assumption of independence between two nonnegative random variables X and Y, the survival function of X is not identifiable on the basis of the joint distribution function of Z = min(X, Y) and δ = I(Z = Y). In this paper, we provide a simple condition in the form of conditional distribution of Y given X. We show that our condition is equivalent to the constant‐sum condition proposed by Williams & Lagakos (1977). As a result the survival function of X can be identified from the joint distribution of Z and δ and the Kaplan–Meier estimator with Greenwood's formula for its variance remains valid. Examples which satisfy the condition are given.