Sieve maximum likelihood regression analysis of dependent current status data
依赖型现状数据的筛最大似然回归分析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：摘要研究依赖型删失数据与生存回归，未明确对应所列经济计量领域细分。
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
依赖型现状数据的筛最大似然回归分析
- 研究问题
- 每位受试者仅被观察一次，且事件时间与观察时间存在依赖时，如何分析现状删失数据并估计回归参数？
- 方法与思路
- 作者提出筛最大似然方法，用 copula 描述事件时间与观察时间的依赖，并以单调 I 样条构造估计。
- 材料陈述的贡献
- 摘要称建立了估计量的渐近性质，尤其证明回归参数估计具有半参数效率，并提供一个说明性实例。
- 阅读关注点
- 应核对依赖结构的可识别条件、copula 的设定、样条筛空间的构造，以及半参数效率结论所需的正则条件。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；具体识别条件及模型误设影响未说明，不能推断刊本变化。
原文摘要
Current status data occur in contexts including demographic studies and tumorigenicity experiments. In such cases, each subject is observed only once and the failure time of interest is either left- or right-censored (Kalbfleisch & Prentice, 2002). Many methods have been developed for the analysis of such data (Huang, 1996; Sun, 2006), most of which assume that the failure time and the observation time are independent completely or given covariates. In this paper, we present a sieve maximum likelihood approach for current status data when independence does not hold. A copula model and monotone I-splines are used and the asymptotic properties of the resulting estimators are established. In particular, the estimated regression parameters are shown to be semiparametrically efficient. An illustrative example is provided.