Smoothing Hazard Functions and Time-Varying Effects in Discrete Duration and Competing Risks Models
离散持续期与竞争风险模型中风险函数和时变效应的平滑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：摘要以纵向数据方法为基础，并明确应用于德国社会经济面板的失业持续期数据，因此与微观面板方向直接相关。
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
离散持续期与竞争风险模型中风险函数和时变效应的平滑
- 研究问题
- 在离散或分组持续期及竞争风险数据中，如何同时平滑估计风险函数和时变效应，并降低高维贝叶斯计算的负担？
- 方法与思路
- 作者采用后验众数或等价惩罚似然估计，通过工作模型上的线性 Kalman 滤波与平滑实现 Fisher 评分迭代，并结合 EM 类步骤估计平滑参数。
- 材料陈述的贡献
- 摘要称给出高效的平滑迭代算法，可联合估计未知平滑参数，并应用于德国社会经济面板的单一及多个终止事件失业持续期数据。
- 阅读关注点
- 应核对持续期与竞争风险的概率模型、粗糙度惩罚和状态空间表示的关系，以及超参数估计、收敛与计算成本的处理。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明，不能推断刊本变化；后验众数不同于完整后验分析，摘要未说明推断误差或应用数值。
原文摘要
State-space or dynamic approaches to discrete or grouped duration data with competing risks or multiple terminating events allow simultaneous modeling and smooth estimation of hazard functions and time-varying effects in a flexible way. Full Bayesian or posterior mean estimation, using numerical integration techniques or Monte Carlo methods, can become computationally rather demanding or even infeasible for higher dimensions and larger datasets. Therefore, based on previous work on filtering and smoothing for multicategorical time series and longitudinal data, our approach uses posterior mode estimation. Thus we have to maximize posterior densities or, equivalently, a penalized likelihood, which enforces smoothness of hazard functions and time-varying effects by a roughness penalty. Dropping the Bayesian smoothness prior and adopting a nonparametric viewpoint, one might also start directly from maximizing this penalized likelihood. We show how Fisher scoring smoothing iterations can be carried out efficiently by iteratively applying linear Kalman filtering and smoothing to a working model. This algorithm can be combined with an EM-type procedure to estimate unknown smoothing parameters or hyperparameters. The methods are applied to a larger set of unemployment duration data with one terminating event and, in a further analysis, multiple terminating events from the German socioeconomic panel GSOEP.