Penalized generalized empirical likelihood with a diverging number of general estimating equations for censored data
删失数据下估计方程数量增长的惩罚广义经验似然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：摘要聚焦删失生存模型中的通用高维估计与检验，未直接涉及给定的经济计量细分。
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…
删失数据下估计方程数量增长的惩罚广义经验似然
- 研究问题
- 在缺乏参数似然的删失生存模型中，如何结合数量增长的估计方程，同时完成变量选择、参数估计与假设检验？
- 方法与思路
- 作者依给定矩条件下的半参数效率界构造估计方程，提出惩罚广义经验似然，并给出双层迭代算法与收敛分析。
- 材料陈述的贡献
- 摘要称估计量具有预言性质，固定维非零参数估计渐近有效，似然比统计量渐近服从中心卡方分布。
- 阅读关注点
- 应核对删失机制、维数增长与惩罚条件、效率界的参照模型，以及局部和受限全局最优性与算法收敛的关系。
- 阅读边界
- 仅据OpenAlex索引摘要，稿件版本未注明；具体条件、模拟数值和实例细节未说明，不能将渐近性质视为有限样本保证。
原文摘要
This article considers simultaneous variable selection and parameter estimation as well as hypothesis testing in censored survival models where a parametric likelihood is not available. For the problem, we utilize certain growing dimensional general estimating equations and propose a penalized generalized empirical likelihood, where the general estimating equations are constructed based on the semiparametric efficiency bound of estimation with given moment conditions. The proposed penalized generalized empirical likelihood estimators enjoy the oracle properties, and the estimator of any fixed dimensional vector of nonzero parameters achieves the semiparametric efficiency bound asymptotically. Furthermore, we show that the penalized generalized empirical likelihood ratio test statistic has an asymptotic central chi-square distribution. The conditions of local and restricted global optimality of weighted penalized generalized empirical likelihood estimators are also discussed. We present a two-layer iterative algorithm for efficient implementation, and investigate its convergence property. The performance of the proposed methods is demonstrated by extensive simulation studies, and a real data example is provided for illustration.