Cox Models With Smooth Functional Effect of Covariates Measured With Error
含测量误差协变量平滑效应的 Cox 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。
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：摘要研究生存分析中的测量误差与平滑效应，没有所列经济金融细分方向的明确依据。
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
含测量误差协变量平滑效应的 Cox 模型
- 研究问题
- 研究在协变量存在测量误差且其对对数风险的作用为未知平滑函数时，如何对 Cox 模型进行完整的贝叶斯推断。
- 方法与思路
- 作者用低秩惩罚样条非参数表示对数基准风险及协变量平滑效应，并实现贝叶斯推断，应用于慢性肾病进展研究。
- 材料陈述的贡献
- 摘要称经过细致实现的方法较朴素处理得到明显更好的结果，并将其用于大型流行病学队列中的肾病进展时间分析。
- 阅读关注点
- 应核对测量误差模型及辅助信息、样条与先验选择、参数识别，以及所谓朴素方法的定义和改善结果的评价指标。
- 阅读边界
- 依据版本未注明的 OpenAlex 索引摘要；未说明误差识别条件或改善幅度，不能判断稳健性、因果解释或刊本变化。
原文摘要
We propose, develop, and implement a fully Bayesian inferential approach for the Cox model when the log hazard function contains unknown smooth functions of the variables measured with error. Our approach is to model nonparametrically both the log-baseline hazard and the smooth components of the log-hazard functions using low-rank penalized splines. Careful implementation of the Bayesian inferential machinery is shown to produce remarkably better results than the naive approach. Our methodology was motivated by and applied to the study of progression time to chronic kidney disease as a function of baseline kidney function and applied to the Atherosclerosis Risk in Communities study, a large epidemiological cohort study. This article has supplementary material online.