Testing Censoring Point Independence
删失点独立性的检验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：摘要以潜在结果累积分布函数的两种非参数估计比较来检验删失假设，直接涉及删失数据下的结果分布推断。
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
删失点独立性的检验
- 研究问题
- 删失回归与持续期风险模型的识别依赖删失点和潜在结果的条件独立性；本文研究如何检验这一可能不成立的关键假设。
- 方法与思路
- 作者用类似 Cramér–von Mises 的统计量，比较潜在结果分布的 Kaplan–Meier 估计与右删失点超过评价点时的条件经验分布估计。
- 材料陈述的贡献
- 摘要称检验具有一致性，并对多类备择具有检验力；三个美国调查的失业持续期应用提示，删失独立性假设经常值得怀疑。
- 阅读关注点
- 重点核对条件独立性的精确定义、两种分布估计的比较逻辑、检验统计量的极限分布与临界值，以及持续期数据的删失结构。
- 阅读边界
- 摘要未说明协变量处理、正则条件和检验校准方式；应用中的拒绝证据无法仅凭摘要解释为某一种删失机制或具体因果关系。
原文摘要
Identification in censored regression analysis and hazard models of duration outcomes relies on the condition that censoring points are conditionally independent of latent outcomes, an assumption which may be questionable in many settings. This article proposes a test for this assumption based on a Cramer–von-Mises-like test statistic comparing two different nonparametric estimators for the latent outcome cdf: the Kaplan–Meier estimator, and the empirical cdf conditional on the censoring point exceeding (for right-censored data) the cdf evaluation point. The test is consistent and has power against a wide variety of alternatives. Applying the test to unemployment duration data from the NLSY, the SIPP, and the PSID suggests the assumption is frequently suspect.