Nonparametric estimation of the probability of illness in the illness-death model under cross-sectional sampling
横截面抽样下疾病—死亡模型患病概率的非参数估计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：摘要研究医疗多状态模型的抽样偏倚，未明确对应所列因果推断或面板数据细分。
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…
横截面抽样下疾病—死亡模型患病概率的非参数估计
- 研究问题
- 在疾病—死亡模型中，如何校正横截面抽样造成的选择偏倚，以估计死亡之前曾进入患病状态的概率？
- 方法与思路
- 作者识别抽样偏倚函数并适当加权，在不同模型和数据收集假设下构造估计量，比较有随访与无随访的设计。
- 材料陈述的贡献
- 摘要称估计量简单、具有一致性和渐近正态性，并指出医院获得性感染监测中部分现用估计量未正确校正偏倚。
- 阅读关注点
- 应核对目标概率与横截面患病率的区别、偏倚函数如何确定，以及有无随访时所需假设和可用信息的变化。
- 阅读边界
- 材料为 OpenAlex 索引摘要，稿件版本未注明；偏倚函数、模型条件和设计比较结果未说明，不能将加权直接解释为因果识别。
原文摘要
Cross-sectional sampling is an attractive design that saves resources but results in biased data. For proper inference, one should first discover the bias function and then weigh observations appropriately. We consider cross-sectioning of the illness-death model with the aim of estimating the probability of visiting the illness state before death. We develop simple consistent and asymptotically normal estimators under various assumptions on the model and data collection and, in particular, compare designs with and without a follow-up. These designs are common in surveillance of hospital acquired infections, but estimators currently in use do not properly correct the bias.