A Framework for Consistent Prediction Rules Based on Markers
基于标记过程的一致预测规则框架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：摘要研究生存数据与标记过程的失效时间预测，未涉及宏观预测或金融收益预测。
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
基于标记过程的一致预测规则框架
- 研究问题
- 在生存分析中，如何利用个体内部标记过程的历史预测未来失效时间，并使不同时间的信息与预测规则保持一致？
- 方法与思路
- 作者建立预测函数的随机框架，提出其应满足的一致性条件，讨论一般构造方式，并以多个例子分析插补方案。
- 材料陈述的贡献
- 摘要称，部分已有插补方案不满足该一致性条件；该条件也帮助解释替代响应模型，并延伸至相关的反向预测问题。
- 阅读关注点
- 应核对一致性条件的准确含义、预测所条件化的历史信息，以及插补反例和反向预测问题的具体设定。
- 阅读边界
- OpenAlex 索引摘要未注明稿件版本；这里的一致性条件不能自动等同于估计量渐近一致性，摘要未说明预测准确率。
原文摘要
Recently interest has developed regarding the statistical properties and uses of marker processes in the context of the analysis of failure time data or survival analysis. A marker process is a stochastic process that acts as a time dependent covariate that is internal to the unit under study in the language of Kalbfleisch & Prentice (1980). As such the sample path of the process up to a certain point in time may carry information about the subsequent hazard for failure. Uses of marker processes in the analysis of survival data are manifold. Here we consider the specific area of prediction of future failure times at a point in time based on various forms of information about the history of the marker process. We provide a stochastic framework for the consideration of prediction functions, demonstrate a simple consistency condition that such functions should satisfy, and discuss construction of prediction functions in a general sense. Several examples are used to illustrate the ideas and we show that certain recently suggested imputation schemes fail to meet the consistency condition. The consistency condition also elucidates the model assumed by Cox (1983) in his work on surrogate responses. We also briefly consider a closely related backward prediction problem.