Survival Analysis With Quantile Regression Models
使用分位数回归模型进行生存分析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：摘要明确以分位数回归刻画协变量对事件时间不同分位数的影响。
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
使用分位数回归模型进行生存分析
- 研究问题
- 在事件时间受到删失时，如何灵活描述协变量对不同生存时间分位数的影响，同时减少现有方法的严格限制与算法复杂度？
- 方法与思路
- 作者在条件独立删失下提出基于鞅的估计方程，形成仅需最小化L1型凸函数的算法，并据此发展检验和模型诊断。
- 材料陈述的贡献
- 摘要称，作者建立估计量的均匀一致性与弱收敛，提供假设检验、第二阶段推断和诊断方法，并以模拟及透析研究作说明。
- 阅读关注点
- 应核对条件独立删失的确切表述、可估计的分位数范围，以及均匀渐近结论、第二阶段推断和诊断程序的适用条件。
- 阅读边界
- 仅据OpenAlex索引摘要，稿件版本未注明。摘要未说明尾部分位数的可识别范围、删失程度限制或具体正则条件，不能推广到任意删失机制。
原文摘要
Quantile regression offers great flexibility in assessing covariate effects on event times, thereby attracting considerable interests in its applications in survival analysis. But currently available methods often require stringent assumptions or complex algorithms. In this article we develop a new quantile regression approach for survival data subject to conditionally independent censoring. The proposed martingale-based estimating equations naturally lead to a simple algorithm that involves minimizations only of L1-type convex functions. We establish uniform consistency and weak convergence of the resultant estimators. We develop inferences accordingly, including hypothesis testing, second-stage inference, and model diagnostics. We evaluate the finite-sample performance of the proposed methods through extensive simulation studies. An analysis of a recent dialysis study illustrates the practical utility of our proposals.