Uniform limit laws of the logarithm for nonparametric estimators of the regression function in presence of censored data
本文建立了截尾加权非参数逆概率（I.P.C.W.）随机删失下多元回归函数的估计量。对于条件分布函数的估计量也得到了类似的结果。从我们的主要结果中还得到了条件密度和条件风险率函数估计的带宽一致相合性。此外，我们建立的对数律产生几乎必然同时渐近置信带的功能，我们认为。显示了从模拟数据中获得的置信带示例。
2007-09-13 math.PR math.ST stat.ME
Maximum Approximate Likelihood Estimation in Accelerated Failure Time Model for Interval-Censored Data
应用混合β分布的伯恩斯坦多项式模型，得到了包含当前状态数据的区间删失数据加速失效时间模型中回归系数、基线密度和生存函数的最大似然估计.在一定的条件下，给出了区间删失和未删失数据下估计的收敛速率。仿真结果表明，该方法优于同类方法。所提出的方法说明了使用加速失效时间模型拟合乳房美容数据。
2019-11-16 math.ST stat.TH
A Multi-parameter regression model for interval censored survival data
我们开发了灵活的多参数回归生存模型，用于纵向前瞻性研究和纵向随机对照临床试验中的区间删失生存数据。本文主要研究了一类全参数、非比例风险的多参数Weibull回归生存模型。我们描述的基本模型，开发的区间删失的可能性和扩展的模型，包括伽玛脆弱性和分散模型。我们通过模拟研究和信号Tandmobiel $^{\circledR}$研究数据的详细重新分析来评估模型。结果表明，多参数回归模型与脆弱性是计算效率高，并提供了一个很好的拟合数据。
2019-01-28 stat.ME
Semiparametric inference for the scale-mixture of normal partial linear regression model with censored data
在删失数据建模的框架下，假设随机误差为正态分布的经典线性回归模型近年来受到越来越多的关注，主要是为了数学和计算上的方便。然而，实际研究中经常批评这种线性回归模型，由于其偏离正态性和部分非线性的敏感性。本文提出了解决这些潜在的问题，同时在部分线性回归模型的背景下，假设随机误差遵循一个规模混合正态（SMN）分布族。所提出的方法使我们能够以极大的灵活性对数据进行建模，适应重尾和离群值。通过实现B样条函数，并使用方便的分层表示的SMN分布，计算分析EM型算法进行极大似然推断的模型参数。各种模拟研究进行了调查的有限样本性质以及在处理重尾分布数据集的模型的鲁棒性。最后通过实际数据实例分析说明了该方法的有效性。
2020-11-15 math.ST stat.CO stat.ME
Neural Networks for Censored Expectile Regression Based on Data Augmentation
School of Economics and Management, Beihang University, Beijing, China（经济管理学院，北航大学，北京，中国）
本文提出基于数据增强的删失期望回归神经网络DAERNN，用于建模异质性删失数据，无需显式参数设定，性能优于现有方法且接近完全数据模型。
2025-10-23 cs.LG stat.ML
Maximum Approximate Bernstein Likelihood Estimation in Proportional Hazard Model for Interval-Censored Data
给出了基于区间删失事件时间数据的比例风险回归模型中基线密度函数和回归系数的极大近似Bernstein似然估计.这不仅使生存函数的估计光滑，收敛速度快，而且改善了回归系数的估计。仿真结果表明，该方法的有限样本性能优于现有方法。所提出的方法说明了实际数据的应用。
2019-08-23 stat.ME
Regression-based proximal causal inference for right-censored time-to-event data
本文针对右删失时间-事件数据提出一种基于回归的两阶段近端因果推断方法，在加性风险模型下利用阴性对照变量控制未测量混杂，并通过SUPPORT数据验证，已实现于R包pci2s。
2025-04-23 stat.ME
auton-survival: an Open-Source Package for Regression, Counterfactual Estimation, Evaluation and Phenotyping with Censored Time-to-Event Data
Carnegie Mellon University（卡内基梅隆大学）
机器学习在医疗保健中的应用通常需要处理时间到事件的预测任务，包括不良事件、再次住院或死亡的预测。由于失访，此类结局通常会被删失。标准的机器学习方法不能直接应用于具有删失结果的数据集。在本文中，我们介绍了auton-survival，一个开源的工具库，用于简化审查事件发生时间或生存数据的工作。自动生存包括生存回归工具、在存在域转移的情况下的调整、反事实估计、用于风险分层的表型、评估以及治疗效果的估计。通过使用SEER肿瘤发病率数据的一个大子集的真实案例研究，我们证明了自动生存的能力，以快速支持数据科学家回答复杂的健康和流行病学问题。
2022-08-03 cs.LG cs.MS stat.ML
Regression modelling of interval censored data based on the adaptive ridge procedure
提出了一种新的方法来分析时间强直并发症的再植牙数据集。在左删失、区间删失和右删失数据的情况下，引入了具有分段常数基线风险的Cox模型。通过将真实事件时间视为未观测变量，用期望最大化算法进行估计。这个估计过程中示出产生的基线参数的块对角Hessian矩阵。利用这个有趣的功能的估计方法的L0惩罚似然方法的实施，以自动确定的数量和位置的基线危险的削减。该程序允许检测患者关节强直风险更大的特定时间区域。该方法可以直接扩展到包含精确的观察和治愈分数。得到的理论结果，允许来自统计推断的模型参数的渐近似然理论。通过模拟研究，惩罚技术被证明提供了一个很好的拟合的基线风险和精确的估计所得到的回归参数。
2020-10-14 stat.ME
Spatial Censored Regression Models in R: The CensSpatial package
CensSpatial是一个R包，用于通过线性模型分析空间删失数据。它提供了一套工具，用于模拟，估计，预测和执行局部影响诊断以进行离群值检测。该软件包提供了四种用于估计和预测的算法。其中之一是基于EM（SAEM）算法的随机逼近，该算法允许在删失存在时容易且快速地估计线性空间模型的参数。该软件包提供了有价值的措施来执行诊断分析使用完成的对数似然函数的Hessian矩阵。这项工作分为两个部分。第一部分讨论并说明了该软件包为估计和预测空间删失数据提供的实用程序。第二个描述了执行诊断分析的有价值的工具。还提供了空间环境数据方面的几个例子。
2021-10-11 stat.CO stat.ME
Semiparametric rank-based regression models as robust alternatives to parametric mean-based counterparts for censored responses under detection-limit
本文提出半参数秩回归模型作为检测限下受挫响应的稳健替代方案，通过比较不同模型在偏倚、变异性及效率方面的表现，验证其在分布假设不确定时的稳定性。
2025-12-11 stat.ME
Rank estimation for the accelerated failure time model with partially interval-censored data
Sungshin Women’s University（成均馆大学）；Korea University（高丽大学）；Virginia Commonwealth University（弗吉尼亚联邦大学）
本文提出了一种统一的基于秩的推断程序，用于拟合部分区间删失数据下的加速失败时间模型，通过构造Gehan型单调估计函数，提供了一种通用的基于秩的估计函数扩展，并通过线性规划获得估计量，证明其一致性和渐近正态性。
2026-04-11 stat.CO stat.ME
Regression for Left-Truncated and Right-Censored Data: A Semiparametric Sieve Likelihood Approach
针对同时存在左截断和右删失的事件时间数据，提出半参数筛似然线性回归方法，证明估计量相合、渐近正态且半参数有效，并通过模拟和 The 90+ Study 数据验证其效果。
2025-04-10 stat.ME
Deep Survival Machines: Fully Parametric Survival Regression and Representation Learning for Censored Data with Competing Risks
Carnegie Mellon University（卡内基梅隆大学）
我们描述了一种新的方法来估计相对风险的时间到事件的预测问题与删失数据在一个完全参数的方式。我们的方法不需要作出强有力的假设，恒定的比例风险的基本生存分布，所需的考克斯比例风险模型。通过联合学习输入协变量的深度非线性表示，我们通过在具有不同删失水平的多个真实世界数据集上进行广泛实验，证明了我们的方法在用于估计生存风险时的优势。我们进一步展示了我们的模型在竞争风险场景中的优势。据我们所知，这是第一个工作涉及完全参数估计的生存时间与竞争风险的存在删失。
2021-06-09 cs.LG stat.AP stat.ML
Boosting methods for interval-censored data with regression and classification
Columbia University（哥伦比亚大学）；University of Western Ontario（西方大学）
本文提出非参数提升方法，用于处理区间删失数据的回归与分类任务，通过无偏转换调整损失函数并保持模型准确性，理论和实证均验证其有效性。
2026-02-18 cs.LG stat.ML
Censored broken adaptive ridge rank regression via induced smoothing
School of Mathematics, Statistics and Data Science, Sungshin Women’s University（成均馆大学数学、统计与数据科学学院）；Sungshin Women’s University（诚信女子大学）；Department of Biostatistics, Virginia Commonwealth University（弗吉尼亚联邦大学生物统计系）；Virginia Commonwealth University（弗吉尼亚联邦大学）；Center for Data Science, Sungshin Women’s University（诚信女子大学数据科学中心）
提出一种针对右删失加速失效时间模型的BAR惩罚线性秩回归方法，通过诱导平滑处理非光滑Gehan型秩估计函数，并开发循环坐标下降算法，实现变量选择和分组效应，扩展至多元部分区间删失数据。
2026-07-01 stat.ME
Modeling left-truncated and right-censored survival data with longitudinal covariates
在生存数据建模中包括纵向协变量的医学随访研究激增。到目前为止，焦点主要集中在右删失的生存数据上。我们考虑生存数据，是左截断和右删失。左截断是一种常见的产生有偏样本的方法。对于涉及可观察的基线或时变协变量的情况，文献中已经解决了采样偏倚问题。然而，对于生存模型中存在纵向协变量的重要情况，问题仍然是开放的。联合似然方法已被证明在文献中提供了一种有效的方法来克服这些困难的右删失数据，但这种方法面临着大量的额外的挑战，在左截断的存在。因此，在这里，我们提出了一种替代的可能性，以克服这些困难，并表明在生存组件的回归系数可以无偏地和有效地估计。讨论了纵向分量的偏置问题。新的方法是通过模拟和多中心艾滋病队列研究的数据数值说明。
2012-09-24 math.ST stat.TH
A class of asymmetric regression models for left-censored data
关于标准tobit模型的常见假设是误差分布的正态性。然而，不对称性和双峰性可能存在，必须使用替代tobit模型。本文提出了一个基于对数对称分布类的Tobit模型，它包括重尾分布、轻尾分布和双峰分布作为特例。我们实现了一个基于似然的方法进行参数估计，并推导出一种类型的残差。然后，我们讨论的问题，执行测试推断在建议的类使用的似然比和梯度统计，这是特别方便的tobit模型，因为它们不需要的信息矩阵。一个彻底的蒙特卡罗研究的极大似然估计和似然比和梯度测试的性能进行评估。最后，我们说明了所提出的方法，使用真实世界的数据集。
2018-03-18 stat.ME
Bounds for the regression parameters in dependently censored survival models
针对相依删失生存数据，本文提出半参数部分识别方法以获得可随时间变化的协变量效应界，并通过模拟与经济、医学数据验证其性能。
2025-03-18 stat.ME
Likelihood-Based Regression for Weibull Accelerated Life Testing Model Under Censored Data
Indian Statistical Institute（印度统计研究所）；Moody’s Ratings（穆迪评级）；Department of Mathematics, Indian Institute of Technology Delhi（德里印度理工学院数学系）；Department of Management Sciences, Indian Institute of Technology Kanpur（坎普尔印度理工学院管理科学系）
本文提出了一种基于Weibull分布的似然回归方法，用于在删失数据下建模应力依赖的可靠性行为。
2026-01-11 stat.ME
Robust and Efficient Parameter Estimation based on Censored Data with Stochastic Covariates
随机截尾寿命数据以及一些相关的随机协变量的分析是非常重要的，在许多应用科学，如医学研究，人口研究和规划等，通常使用的参数估计技术下，这种设置是基于有效的，但非鲁棒的似然方法。本文基于最小密度幂离方法，提出了随机协变量删失数据的稳健参数估计。在纯数据下，所得估计相对于极大似然估计也具有竞争效率。强鲁棒性的估计相对于离群值的存在进行检查，并说明通过适当的模拟研究的背景下，删失回归随机协变量。此外，所提出的估计量的理论渐近性质也来自一般类的M-估计的估计方程的基础上。
2016-07-01 math.ST stat.AP stat.ME
Interval censored recursive forests
提出了区间删失递归森林算法（ICRF），这是一种求解区间删失生存数据的迭代树集成方法。这种非参数回归估计量通过迭代更新生存估计量来充分利用删失信息，并且可以被视为自相合估计量，使用袋外样本监测收敛性。针对区间删失数据，提出了优化的分裂规则，并应用了核平滑方法。ICRF在大多数模拟和雪崩数据的应用实例中显示出最高的预测精度。一个R软件包icrf可用于实现。
2021-05-20 stat.ME
An efficient penalized estimation approach for a semi-parametric linear transformation model with interval-censored data
本文研究了区间删失数据下柔性变换模型的有效估计。为了降低半参数模型的维数，用单调样条函数逼近未知的单调变换函数。惩罚技术是用来提供更有效的计算所有参数的估计。为了完成模型拟合，一个计算效率高的嵌套迭代期望最大化（EM）为基础的算法估计，并提出了一个易于实现的方差-协方差方法的回归参数的推断。在理论上，我们证明了转换函数的估计达到最优收敛速度，回归参数的估计是渐近正态的和有效的。惩罚程序进行评估，通过广泛的数值实验，并进一步说明通过两个实际应用。
2019-12-25 stat.CO stat.ME
Adapting censored regression methods to adjust for the limit of detection in the calibration of diagnostic rules for clinical mass spectrometry proteomic data
尽管最近在质谱（MS）方面取得了进展，但总结和分析高通量质谱数据仍然是一项具有挑战性的任务。这一方面是由于所测量的光谱信号的复杂性，另一方面是由于检测极限（LOD）。LOD与仪器在测量相对低水平的标记物方面的局限性有关。因此，来自蛋白质组学分析的定量步骤的结果数据集通常由减少的峰列表组成，其中低于检测限阈值的任何峰强度被报告为缺失。在这项工作中，我们建议使用删失数据的方法来处理LOD存在下的光谱测量，认识到这些已被删失，由于左删失机制对低丰度蛋白质。我们将这种方法应用于特定问题的校准预测规则，通过事先估计的平均同位素表达MALDI-FTICR质谱数据，收集在胰腺癌病例对照研究的背景下。我们的想法是用平均强度估计值代替不完整的光谱测量值，并将其作为预测模型的新输入。我们评估所提出的方法，就其预测能力而言，通过比较其性能与使用完整的信息以及替代/竞争的方法来处理LOD。
2016-06-29 stat.ME
Single-index Regression models with right-censored responses
在这篇文章中，我们提出了一些新的推广的M-估计程序的单指标回归模型存在随机右删失响应。我们得到了估计的相合性和渐近正态性。结果证明，以适应广泛的技术中使用的删失回归框架（如合成数据或加权最小二乘）。在未删失的情况下，单指标参数的估计被认为具有相同的渐近行为，在一个完全参数的计划。我们通过模拟研究将这些新的估计与基于Burke和Lu（2005）的平均导数技术的估计进行了比较。
2008-03-07 math.ST stat.TH
Asymptotic Normality of an M-estimator of regression function for truncated-censored data under alpha-mixing condition
本文针对左截断右删失模型，在α混合相依观测下建立了回归函数M估计量的弱相合性与渐近正态性，并推广至核回归估计，同时给出乘积限估计量的均匀收敛速度，模拟验证了有限样本表现。
2023-05-07 math.ST stat.TH
Spearman Rank Correlation Screening for Ultrahigh-dimensional Censored Data
本文提出了一种基于Spearman秩相关的超高维数据截尾筛选方法.该方法不需要指定预测变量或响应变量的任何回归形式，并且在未知的响应变量和预测变量的单调变换下具有鲁棒性.在一定的正则条件下，建立了该系统的确筛性和秩相合性.仿真研究表明，新的筛选方法在存在重尾分布、强相关预测因子或离群值的情况下具有良好的性能，并且与现有的非参数筛选方法相比具有更好的性能。特别地，当在高删失率下观察到响应变量时，新的筛选方法仍然工作良好。给出了一个分析实例。
2022-11-24 stat.ME
A quantile regression estimator for censored data
本文提出了一种基于无偏估计方程的删失分位数回归估计。在通常的条件独立假设下，生存时间和截尾时间给定的协变量，我们证明了所提出的估计是一致的和渐近正态的。我们开发了一个有效的计算算法，使用现有的分位数回归代码。结果，可以有效地实现引导型推理。我们说明了所提出的方法的有限样本性能的模拟研究和生存数据集的分析。
2013-02-01 math.ST stat.TH
Cross validating extensions of kernel, sparse or regular partial least squares regression models to censored data
当交叉验证标准或扩展Cox模型时，常用的标准是使用朴素或van Houwelingen方案进行交叉验证的部分对数似然，以有效利用与所有数据的死亡时间相关的遗漏数据的死亡时间。相当令人惊讶的是，我们将显示，使用一个强大的模拟研究，涉及三种不同的数据模拟算法，这两种交叉验证方法失败的扩展，无论是简单的或更复杂的，部分最小二乘回归的Cox模型。这是一个非常有趣的结果，至少有两个原因。首先，基于PLS的模型的几个很好的特性，包括正则化，组件的可解释性，缺失数据支持，由于个体和变量的双图的数据可视化-甚至是基于SPLS的模型的简约性-统计学家通常使用交叉验证来选择他们的超参数。其次，它们几乎总是在基准研究中被用来评估在高维环境中使用的新估计技术的性能，并且通常显示出较差的统计特性。我们进行了大量的模拟研究，以评估十多个潜在的交叉验证标准，无论是基于AUC还是基于预测误差。其中几个导致选择合理数量的组件。使用这些新发现的交叉验证标准，以适应扩展的偏最小二乘回归的Cox模型，我们进行了基准重新分析，显示这些技术的增强性能。此外，我们定义了一个新的鲁棒性措施的基础上的Schmid得分和R系数的决定最小绝对偏差：综合R Schmid得分加权。使用R-包plsRcox进行模拟。
2018-10-06 stat.ME
A new mixture-based fixed-effect model for a biometrical case-study related to immunogenecity with highly censored data
提出了一种新的连续-离散混合回归模型，该模型适用于描述强删失数据。我们激励我们的调查的基础上，在生物统计学在海地麻疹疫苗的案例研究。在本病例研究中，中和抗体水平由所用疫苗类型、剂量水平和患者性别解释。该混合模型允许我们考虑过量的删失观测，并且由Birnbaum-Saunders分布和伯努利分布组成。这些分布描述了抗体水平和删失观察值的点质量。我们用极大似然方法估计模型参数。通过蒙特卡罗模拟和生物统计数据对模型进行了数值评估，两者都显示了其良好的性能和潜在的应用。
2018-07-29 stat.AP stat.ME
Conditional density estimation in a censored single-index regression model
在单指标回归假设下，我们引入了一个新的半参数方法来估计截尾响应的条件密度。该回归模型可以看作是Cox回归模型的推广，也可以看作是删失情形下进行降维的一种有益工具。该技术扩展了Delecroix等人（2003）的结果。我们得到的一致性和渐近正态性的指标参数的估计证明其渐近等价的（不可计算的）最大似然估计，使用鞅计数过程的结果和参数的经验过程理论。此外，我们提供了一个新的自适应过程，它允许我们选择在我们的方法中所涉及的平滑参数，并绕过Kaplan-Meier估计（1958）在分布的右尾的弱性能。通过模拟研究，我们研究了我们的估计量的小样本的行为。
2009-03-22 math.ST stat.TH
Post-Selection Inference for the Cox Model with Interval-Censored Data
针对区间删失数据下的Cox模型，提出基于lasso的选择后推断方法，提供渐近有效的p值和置信区间，模拟与阿尔茨海默病应用验证了其有效性。
2023-12-30 stat.ME
Robust censored regression with l1-norm regularization
研究了带有随机右删失和异常值的线性回归模型中的推断问题。离群值的数量可以随着样本量的增加而增加，而它们的比例趋于零。该模型是半参数的，我们只做非常温和的假设误差项的分布，与文献中大多数其他现有的方法。本文提出了对删失线性回归的Stute估计进行l1-范数惩罚的方法。我们得到的收敛速度和建立渐近正态性态估计的回归系数。在无异常值的删失线性模型中，我们的估计量与Stute的估计量具有相同的渐近方差.因此，不存在由于鲁棒性而导致的效率损失。因此，测试和置信集可以依赖于Stute开发的理论。概述的过程在计算上也是有利的，因为它相当于求解凸优化程序。我们还提出了第二个估计，它使用建议的惩罚Stute估计作为第一步，以检测离群值。它具有相似的理论性质，但在有限样本中的性能更好，通过模拟评估。
2021-10-05 math.ST stat.TH
Maximum likelihood estimation in a partially observed stratified regression model with censored data
分层比例强度模型通过允许研究人群的不同组具有不同的基线强度函数来概括Cox比例强度模型。本文考虑了当样本中某些个体的阶层变量不可观测时，该模型的估计问题。在这种情况下，我们构造了分层模型参数的非参数极大似然估计，并建立了它们的相合性和渐近正态性。也得到了极限方差的一致估计。
2008-05-06 math.ST stat.TH
Boosting Distributional Copula Regression for Bivariate Right-Censored Time-to-Event Data
提出一种用于右删失双变量事件时间数据的分布copula回归模型，通过梯度boosting实现自动变量选择，适用于高维数据。
2024-12-20 stat.ME
Finite Mixture Cox Model for Heterogeneous Time-dependent Right-Censored Data
针对异质患者群体生存分析中单一Cox PH模型的不足，提出结合SCAD/MCP动态惩罚函数的有限混合Cox模型，通过改进EM算法实现亚组识别与成分选择，提升风险预测精度。
2025-04-11 stat.CO stat.ME
Scalable estimation and inference for censored quantile regression process
删失分位数回归（CQR）已成为研究可能删失结果和协变量之间异质性关联的重要工具，但对于包含多个协变量的大规模数据，CQR的计算和统计推断仍然是一个挑战。在本文中，我们专注于一个平滑的鞅为基础的序列估计方程的方法，可扩展的基于梯度的算法可以应用。在理论上，我们提供了一个统一的分析光滑序列估计和它的惩罚对应的增加的维度。当协变量维数随着样本量以次线性速率增长时，我们建立了一致收敛性速率（在一系列分位数指数上），并为乘数引导过程的有效性提供了严格的理由。在高维稀疏设置，我们的研究结果大大提高了现有的工作CQR放松指数项的稀疏性。我们还展示了平滑CQR的优势，现有的方法与模拟实验和数据应用。
2022-10-23 math.ST stat.TH
Censored quantile regression processes under dependence and penalization
我们考虑相依数据结构下截尾数据的分位数回归过程，并推导出这些过程的统一Bahadur表示。我们还考虑了分位数回归模型中参数的维数很大的情况。它表明，传统的惩罚估计，如自适应套索产量次优率，如果分位数回归系数过零。新的惩罚技术的介绍，能够处理特定的问题，删失数据和产量估计的最佳速率。与大多数文献不同的是，渐近分析不需要独立观测的假设，而是基于相当弱的假设，这对许多种相关数据都是满意的。
2013-06-12 math.ST stat.ME stat.TH
A doubly robust learner for regression and inference with right-censored outcomes
PFA Pension（PFA养老金）；Department of Mathematical Sciences, University of Copenhagen（哥本哈根大学数学科学系）
本文提出适配右删失数据的双重鲁棒非参数回归框架，推导伪结局条件偏差新表示以建立估计量渐近性质，经模拟验证性能并应用于右删失回归间断设计的因果效应估计。
2026-08-04 math.ST stat.ME stat.TH
Individualized Treatment Effects with Censored Data via Fully Nonparametric Bayesian Accelerated Failure Time Models
个体通常对相同的治疗有不同的反应，并且表征治疗反应中的这种可变性是个性化医疗实践中的重要目标。在这篇文章中，我们描述了一个非参数加速失效时间模型，可用于分析异质性处理效应（HTE）时，病人的结果是时间到事件。通过利用贝叶斯加性回归树和均值约束Dirichlet过程混合模型，我们的方法提供了一个灵活的模型的回归函数，同时把一些限制的基线风险。我们的非参数方法导致个人处理效应的自然估计，并具有灵活性，以解决许多主要目标的HTE评估。此外，我们的方法需要很少的用户输入的调谐参数选择或子群规范。我们说明了我们提出的方法的优点，详细分析了两个大型临床试验的预防和治疗充血性心力衰竭，使用血管紧张素转换酶抑制剂。分析显示，两项试验中存在大量HTE的证据，如治疗效果的实质性估计变化和高比例患者表现出与总体处理效应不同的处理效应的强有力证据所证明。
2017-06-20 stat.AP stat.ME
Joint Modeling of Longitudinal and Survival Data with Censored Single-index Varying Coefficient Models
在医学和生物学研究中，纵向数据和生存数据类型是常见的。传统的统计模型大多考虑处理其中任一种数据类型，如线性混合模型处理纵向数据，Cox模型处理生存数据，但没有调整这两种不同数据类型之间的关联。希望有一种联合建模方法，它可以适应两种数据类型及其之间的依赖关系。本文将传统的单指标模型扩展为一种新的联合建模方法，将单指标分量替换为变系数分量来处理纵向结果，并将非参数合成数据回归用于连接函数，以适应生存分析中的随机截尾问题。数值实验进行了评估有限样本性能。
2021-07-09 stat.AP stat.ME
Maximum Likelihood Estimation for Semiparametric Transformation Models with Interval-Censored Data
区间删失经常出现在临床、流行病学、金融和社会学研究中，其中已知感兴趣的事件或故障仅发生在由定期监测引起的区间内。我们制定了潜在的时间依赖性协变量的区间删失失效时间的影响，通过广泛的一类半参数转换模型，包括比例风险和比例优势模型。我们考虑这类模型的非参数极大似然估计，其中每个受试者具有任意数量的监测次数。我们设计了一个EM型算法，收敛稳定，即使在存在时间依赖的协变量，并表明回归参数的估计是一致的，渐近正态，渐近有效的一个容易估计的协方差阵。最后，我们证明了我们的程序的性能，通过广泛的模拟研究和应用程序在泰国进行的艾滋病毒/艾滋病研究。
2016-02-27 stat.ME
Testing additivity in nonparametric regression under random censorship
本文研究了右删失数据下多元回归函数的非参数估计。更确切地说，我们提出了一个统计量，被证明是渐近正态分布下的添加剂的假设，并可以用来测试在删失回归设置的可加性。
2008-02-07 math.ST stat.TH
Inference for censored quantile regression models in longitudinal studies
我们开发的推断程序的纵向数据中的一些测量被删失的固定常数。我们考虑一个半参数分位数回归模型，没有分布假设。我们的研究的动机是缺乏适当的推理程序的数据，从生物医学研究中的测量是由于一个固定的定量限删失。在这类研究中，重点往往是检验关于待遇平等的假设。为此，我们提出了一个大样本推理的协变量的子集上的秩分数检验。我们证明了会计审查和受试者内的依赖性的重要性，并在模拟研究中评估我们提出的方法的性能。然后，我们将建议的推理程序，从艾滋病相关的临床试验的数据。我们的结论是，我们的框架和建议的方法是非常有价值的区分在不同位置的预测的影响，在条件分布的响应变量。
2009-04-01 math.ST stat.TH
Efficient Estimation of the Additive Risks Model for Interval-Censored Data
与流行的Cox模型（其对至事件危害的时间提供了乘法协变量效应规范）相比，半参数加性风险模型（ARM）提供了有吸引力的加性规范，允许直接评估协变量值变化时风险函数的变化或差异。ARM是一个灵活的模型，允许估计时间无关和随时间变化的协变量。它有一个非参数分量和一个由有限维参数确定的回归分量。本章提出了一种有效的方法，通过minorize-maximize（MM）算法的情况II区间删失数据的非参数和有限维组件的模型的最大似然（ML）估计。我们提出的MM方法的操作特性通过模拟研究进行评估，并通过R包MMIntAdd在乳腺癌数据集上进行说明。预计所提出的计算方法不仅将为ML估计场景提供可扩展性，而且还可以简化其他复杂可能性或模型的计算负担。
2022-03-18 stat.ME
Functional Cox model for interval-censored data
Department of Statistics and Actuarial Science, University of Waterloo（滑铁卢大学统计与精算科学系）
本文提出一种函数Cox模型，用于分析区间截断数据中函数协变量对事件时间的影响，通过惩罚最大似然估计和EM算法进行参数估计，并构建全局检验方法。
2026-05-14 stat.ME
Nonparametric estimation of the conditional density function with right-censored and dependent data
本文研究了右删失数据下条件密度函数的局部常数和局部线性估计。假设观测值构成一个平稳的$α-$混合序列。建立了这两种估计的渐近正态性，并结合$\lim\limits_{n\rightarrow\infty}nh_nb_n=\infty$隐含这两种估计相合的条件，给出了构造条件密度函数置信区间的方法. Kim等人（2010）中关于条件密度函数的局部线性估计的结果从i.i.d.将条件密度函数的局部线性估计的结果从$ρ$混合假设放宽到$α-$混合设置，并且将Spierdijk（2008）中的条件密度函数的局部线性估计的结果从$ρ$混合假设放宽到$α-$混合设置。有限样本行为的估计进行了研究，通过模拟。
2019-07-10 math.ST stat.TH
Censored pairwise likelihood-based tests for mixing coefficient of spatial max-mixture models
最大混合过程被定义为Z = max（aX，（1 - a）Y），其中X是渐近相关过程，Y是渐近独立过程，且有一个$\in$ [0，1].因此，混合系数α可以揭示最大混合过程中存在的AD部分的强度。在本文中，我们专注于两个测试的截尾配对似然估计。我们通过广泛的模拟研究比较它们的性能。蒙特卡罗模拟是计算渐近方差的基本工具。我们将试验应用于澳大利亚东部的日降水量。缺点和可能的发展进行了讨论。
2017-12-08 math.PR math.ST stat.TH
Optimal Cox Regression Subsampling Procedure with Rare Events
针对含稀有事件的大规模生存数据集计算难题，提出为删失样本分配最优采样概率、保留全部失效事件的Cox回归子采样估计量，证明其渐近性质并通过模拟和UK Biobank结直肠癌数据验证有效性。
2022-01-30 stat.ME
Regression discontinuity design with right-censored survival data
本文在基于强度的计数过程框架下，研究了不连续回归设计在右删失数据生存分析中的应用。特别是，一个本地多项式回归版本的Aalen加性风险估计作为两个协变量依赖的累积风险率函数之间的差异的估计。该估计量的大样本理论，包括置信区间，考虑到与偏差校正相关的不确定性。正如因果关系文献中的标准一样，模型和理论嵌入了潜在结果框架。两个一般性的结果有关的潜在后果和生存数据的乘性风险模型。
2022-10-05 econ.EM math.ST stat.ME
Weighted empirical likelihood in some two-sample semiparametric models with various types of censored data
本文将加权经验似然应用于一般的两样本半参数模型，其中包括有偏抽样模型和病例对照逻辑斯谛回归模型。对于右删失数据、双删失数据、区间删失数据和部分区间删失数据，给出了参数$θ_0$和分布$F_0$的加权经验似然半参数极大似然估计$(\tildeθ_n,\tilde{F}_n)$，并证明了$(\tildeθ_n,\tilde{F}_n)$的强相合性和$\tildeθ_n$的渐近正态性.在有偏抽样模型下，加权经验对数似然比具有渐近尺度卡方分布。对于右删失数据、双删失数据和部分区间删失数据，证明了$\sqrt{n}(\tilde{F}_n-F_0)$弱收敛于一个中心高斯过程，从而得到了病例-对照逻辑斯谛回归模型的一致拟合优度检验.
2008-03-12 math.ST stat.TH
Quantile calculus and censored regression
在生存分析中提倡分位数回归来评估协变量的影响。然而，当删失时间并不总是被观察到并且可能是协变量依赖的时，特别是在存在连续分布的协变量的情况下，会出现挑战。尽管最近取得了一些进展，现有的方法要么涉及算法的复杂性或施加概率网格。前者导致的困难，在实施和渐近，而后者引入了不良的网格依赖。为了解决这些问题，我们在本文中开发了累积概率尺度上的基本和一般分位数演算，认识到概率和时间尺度并不总是具有给定生存分布的一对一映射。这些结果产生了一个新的估计过程，删失分位数回归估计积分方程的基础上。提出了一种数值可靠、高效的渐进局部化最小化（PLMIN）算法。这一过程完全简化为$k$样本问题中的Kaplan-Meier方法，以及在没有删失的情况下的标准未删失分位数回归。在正则性条件下，所提出的分位数系数估计是一致相合的，并且弱收敛于高斯过程。仿真结果表明，良好的统计和算法性能。该建议是说明在应用程序的临床研究。
2010-10-04 math.ST stat.TH
On a penalised likelihood approach for joint modelling of longitudinal covariates and partly interval-censored data -- an application to the Anti-PD1 brain collaboration trial
针对纵向时变协变量测量误差与部分区间删失事件时间问题，提出结合Cox模型的联合建模及惩罚似然估计方法，模拟验证其推断可靠，并用于Anti-PD1试验。
2024-12-04 stat.ME
SurvFM enables tabular foundation models for right-censored survival prediction
The University of Texas MD Anderson Cancer Center（德克萨斯大学安德森癌症中心）
研究针对表格患者数据事件发生时间预测中右删失问题，提出SurvFM-RMST框架，将生存结果转换为伪观察目标用于RMST回归，在模拟和多数据集测试中表现良好，支持其作为删失生存数据与表格基础模型预测的接口。
2026-09-09 stat.ME stat.ML
