Dynamic modelling and penalized likelihood estimation for discrete time survival data
离散时间生存数据的动态建模与惩罚似然估计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：摘要的应用对象是生存数据，状态空间和Kalman算法本身不足以归入宏观时间序列。
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
离散时间生存数据的动态建模与惩罚似然估计
- 研究问题
- 对离散时间或分组生存数据，如何同时估计基准风险函数与随时间变化的协变量效应，并选择合适的平滑强度？
- 方法与思路
- 作者采用动态或状态空间模型，通过最大化后验密度或等价的惩罚似然得到Kalman型平滑算法，并以EM型程序选择平滑参数。
- 材料陈述的贡献
- 摘要称，该框架支持基准风险和时变协变量效应的联合估计，也允许数据驱动的平滑参数选择，并以真实数据展示方法。
- 阅读关注点
- 应核对风险函数与时变效应的状态方程、惩罚和后验的对应关系，以及EM型平滑选择的收敛与不确定性处理。
- 阅读边界
- 仅据OpenAlex索引摘要，稿件版本未注明；摘要未说明生存及状态模型条件、数据内容或比较结果，不能据此确认优于其他方法。
原文摘要
This paper describes a dynamic or state-space approach for analyzing discrete time or grouped survival data. Simultaneous estimation of baseline hazard functions and of time-varying covariate effects is based on maximization of posterior densities or, equivalently, a penalized likelihood, leading to Kalman-type smoothing algorithms. Data-driven choice of unknown smoothing parameters is possible via an EM-type procedure. The methods are illustrated by applications to real data.