Maximization of the marginal likelihood of grouped survival data
分组生存数据边际似然的最大化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：摘要讨论比例风险模型下的分组生存数据计算，未对应所列计量领域中的具体方向。
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
分组生存数据边际似然的最大化
- 研究问题
- 受试者仅被定期监测、失效时间因此分组并产生大量并列时，如何在比例风险模型中利用不完整事件次序进行估计？
- 方法与思路
- 作者采用 Monte Carlo EM 算法，最大化基于事件时间不完整秩的边际似然，并对精确失效时间人工分组作演示。
- 材料陈述的贡献
- 摘要所述贡献是为分组生存数据提供边际似然最大化的计算方案，处理通常部分似然方法因大量并列而需修改的问题。
- 阅读关注点
- 应核对不完整秩如何进入边际似然、EM 中怎样模拟缺失信息，以及人工分组示例如何展示分组带来的影响。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要，不能推断刊本变化；摘要未说明分组机制假设、算法收敛控制或与其他估计方法的比较。
原文摘要
Grouped failure time data occur in studies where subjects are monitored periodically to determine whether failure has occurred in the intervening interval. Here the model under consideration is Cox's (1972, 1975) proportional hazards model, but the commonly used method of partial likelihood needs modification with grouped data due to a potentially large number of ties. This paper demonstrates how the Monte Carlo em algorithm (Wei & Tanner, 1990) can be used on grouped data to find the maximum likelihood estimate from the marginal likelihood based on the incomplete ranks of the event times. The methodology is exemplified with a data set with precise failure times after artificially introducing grouping.