Proportional Hazards Regression with Missing Covariates
协变量缺失下的比例风险回归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：摘要研究生存回归中的缺失协变量，未明确涉及所列因果、面板或分布效应方向。
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
协变量缺失下的比例风险回归
- 研究问题
- 比例风险回归的协变量存在缺失时，如何估计回归参数及其方差，并在不同缺失机制下评估效率和偏差？
- 方法与思路
- 作者采用非参数极大似然估计，使用 EM 类算法求解，并通过结合 EM 的数值微分与剖面似然估计回归参数方差。
- 材料陈述的贡献
- 摘要称，估计量在一定条件下一致且渐近正态；模拟中，完全随机缺失下效率较高，随机缺失下能够校正偏差。
- 阅读关注点
- 应核对似然如何处理缺失协变量、两类缺失机制的具体要求，以及渐近条件、EM 收敛和剖面方差计算的可靠性。
- 阅读边界
- 材料为 OpenAlex 索引摘要，稿件版本未注明；摘要未列出完整条件与模拟数值，效率和偏差结论不能推广至非随机缺失或任意数据结构。
原文摘要
Nonparametric maximum likelihood (NPML) is used to estimate regression parameters in a proportional hazards regression model with missing covariates. The NPML estimator is shown to be consistent and asymptotically normally distributed under some conditions. EM type algorithms are applied to solve the maximization problem. Variance estimates of the regression parameters are obtained by a profile likelihood approach that uses EM-aided numerical differentiation. Simulation results indicate that the NPML estimates of the regression parameters are more efficient than the approximate partial likelihood estimates and estimates from complete-case analysis when missing covariates are missing completely at random, and that the proposed method corrects for bias when the missing covariates are missing at random.