Empirical Bayes estimation for additive hazards regression models
加性风险回归模型的经验贝叶斯估计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：摘要明确属于生存分析与经验贝叶斯估计，未直接对应所列领域细分。
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…
加性风险回归模型的经验贝叶斯估计
- 研究问题
- 半参数加性风险模型如何通过经验贝叶斯方法简化回归参数与生存曲线的估计，同时支持大样本频率学派推断？
- 方法与思路
- 作者通过对基准累积风险的未知先验积分构造积分似然，进行最大化，并给出估计量、标准误及渐近性质。
- 材料陈述的贡献
- 摘要称，估计与标准误具有易计算的闭式表达，无需指定先验超参数，保证生存函数单调，并容纳时变系数和协变量。
- 阅读关注点
- 应核对未知先验如何处理、闭式表达的成立条件，以及生存曲线单调性的保证和时变系数下的渐近推断方法。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；摘要未提供先验构造、闭式公式或实证数值，不能判断所有数据情形下的表现。
原文摘要
We develop a novel empirical Bayesian framework for the semiparametric additive hazards regression model. The integrated likelihood, obtained by integration over the unknown prior of the nonparametric baseline cumulative hazard, can be maximized using standard statistical software. Unlike the corresponding full Bayes method, our empirical Bayes estimators of regression parameters, survival curves and their corresponding standard errors have easily computed closed-form expressions and require no elicitation of hyperparameters of the prior. The method guarantees a monotone estimator of the survival function and accommodates time-varying regression coefficients and covariates. To facilitate frequentist-type inference based on large-sample approximation, we present the asymptotic properties of the semiparametric empirical Bayes estimates. We illustrate the implementation and advantages of our methodology with a reanalysis of a survival dataset and a simulation study.