Estimations in homoscedastic linear regression models with censored data: an empirical process approach
删失同方差线性回归的估计：经验过程方法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：摘要关注删失回归的统计信息与效率，未明确研究因果效应、分位数或其他所列细分问题。
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
删失同方差线性回归的估计：经验过程方法
- 研究问题
- 删失线性回归中，基准风险函数与协变量的局部混淆如何影响秩估计方程的信息量，又如何改善回归参数估计？
- 方法与思路
- 作者改变Tsiatis对数秩估计方程的截断时点以构造经验过程，提出EPA方法，避免使用基准风险函数导数的非参数估计。
- 材料陈述的贡献
- 摘要称，较晚截断可能反而减少参数信息；EPA提供回归估计及模型假设的Pearson卡方检验，其表现接近该估计方程族中的最佳者。
- 阅读关注点
- 阅读全文时应核对局部混淆的数学定义、截断时点与信息量的关系，以及EPA估计和卡方检验的条件与效率比较标准。
- 阅读边界
- 仅据OpenAlex索引摘要，稿件版本未注明；摘要未说明删失机制和效率比较细节，此处“混淆”不能自动解释为因果识别问题。
原文摘要
Pertaining to the estimating equations proposed by Tsiatis, based on the linear rank test, we show the existence of local confounding between the baseline hazard function and the covariates. Due to the local confounding, an estimating equation in Tsiatis' family with a larger time point of truncation could contain less information about the regression parameter than the estimating equation with a smaller time point of truncation. This phenomenon further indicates significant loss of efficiency of Tsiatis' estimating equations as well as the power loss of log-rank type tests when the baseline hazard function goes up and down along the time scale. To take care of this local confounding without using nonparametric estimates of the derivative of the baseline hazard function, we propose the empirical process approach (EPA) based on an empirical process constructed from Tsiatis' log-rank estimating equation by varying its truncating time point. The EPA will provide very tractable estimations of the regression parameters as well as Pearson's chi-squared statistics for testing the model's assumptions. Specifically, the performance of the EPA estimator is shown to be very close to the best estimator in Tsiatis' family.