On using the Cox proportional hazards model with missing covariates
含缺失协变量的 Cox 比例风险模型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：摘要研究生存分析中的缺失协变量处理，未明确涉及所列因果、选择或其他经济计量方向。
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
含缺失协变量的 Cox 比例风险模型
- 研究问题
- 在 Cox 比例风险模型中，协变量缺失概率依赖失效时间、删失时间或已观测协变量时，如何利用不完整样本估计回归参数？
- 方法与思路
- 作者提出两种处理缺失协变量的方法，核心思路是对涉及缺失协变量的统计量，按已有信息插补其条件期望。
- 材料陈述的贡献
- 摘要称，方法在所述缺失机制下给出一致参数估计；完全随机缺失时，相较指定的既有估计具有更高效率。
- 阅读关注点
- 应核对两种方法的区别、条件期望如何估计，以及缺失和删失机制的限制；需确认一致性与效率比较各自的适用条件。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；缺失机制的完整假设及插补细节未说明，不能推广至任意非随机缺失或推断刊本变化。
原文摘要
We propose two methods for handling missing covariates in using the Cox proportional hazards model. The maximum partial likelihood estimator based only on study subjects having complete covariates does not utilise all available information. Also it is biased when the probability of missingness depends on the failure or censoring time. Our suggestion is to impute the conditional expectation of the statistic involving missing covariates given the available information. The proposed method provides a consistent regression parameter estimator when the probability of missingness depends on the failure or censoring time as well as on the observed covariates. Also the proposed estimator is more efficient than the estimator suggested previously by Lin & Ying (1993), when data are missing completely at random.