A class of semi parametric regressions for the accelerated failure time model
加速失效时间模型的一类半参数回归方法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：摘要集中于删失生存数据和秩回归，未明确研究因果效应、经济结构估计或所列其他特定方向。
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
加速失效时间模型的一类半参数回归方法
- 研究问题
- 右删失的加速失效时间模型如何利用线性与非线性秩检验构造多元回归估计，并评估协变量异常值的影响？
- 方法与思路
- 作者将一类非参数秩检验反演为估计方程，扩展 Theil–Sen 方法，并提出加权广义 logrank 与 logit-rank 估计。
- 材料陈述的贡献
- 摘要称，相关估计具有一致性、渐近正态性及可一致估计的方差；模拟中广义 logrank 在部分情形表现较好。
- 阅读关注点
- 应核对删失机制、权重和估计方程的定义、标准误计算方法，以及异常值模拟的设定与偏差比较范围。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；摘要未给完整正则条件和模拟数值，不能推断普遍的异常值稳健性。
原文摘要
In this paper a general class of nonparametric test statistics, which includes both linear and nonlinear rank tests for the accelerated failure time model, is inverted into estimating equations for multiple regression. For right-censored data this general class of semiparametric regression procedures includes the linear rank estimators of Tsiatis (1990), extends the Theil-Sen estimator based on Kendall's τ to multiple regression, and introduces several new families of regression methods based on inverting nonlinear rank tests. These new families include the weighted generalised logrank estimators and the weighted logit-rank estimators. Several estimators of the standard errors of the regression coefficients are given. The regression coefficient estimators are consistent and asymptotically normal with variances that can be consistently estimated. Several linear and nonlinear rank-based estimators of the regression parameters and several methods of estimating their standard errors and the corresponding confidence intervals are compared in a small sample simulation in settings with and without outliers among the covariates. In these simulations the generalised logrank estimators performed well as compared to the logrank estimators when there was no outlier among the covariates and had less bias than the logrank estimators when covariate outliers existed.