Bootstrap-Aggregated Method-of-Moments Estimation of the Copula Correlation Parameter for Marginal Survival Inference under Dependent Censoring
Yonsei University（延世大学）
本文提出一种基于bootstrap的矩估计法，用于估计在依赖性删失情况下生存边缘推断中的copula相关参数，通过模拟退火算法进行bootstrap聚合以获得稳定估计，验证了方法在临床试验中的有效性。
2026-04-05 stat.AP stat.ME
Copula-based semiparametric nonnormal transformed linear model for survival data with dependent censoring
提出一种基于Copula的半参数非正态变换线性模型，解决生存分析中删失时间与生存时间相关的相依删失问题，证明了模型可识别性并验证了其一致性、渐近正态性及实际应用效果。
2024-08-27 stat.AP stat.ME
A non-parametric estimator for Archimedean copulas under flexible censoring scenarios and an application to claims reserving
本文将Genest-Rivest阿基米德Copula非参数估计量扩展至灵活删失情形，通过图形化选择与拟合优度验证，并在加拿大车险数据上有效建模相关保险责任激活延迟的相依性，为索赔准备金提供支持。
2024-01-15 stat.AP stat.ME
Permutation Tests Based on the Copula-Graphic Estimator and Their Use for Survival Tree Construction
本文提出用 copula-graphic 估计量处理相依删失，并以其组间积分绝对距离构造置换检验作为生存树分裂准则，通过模拟和临床数据验证其性能。
2025-07-28 stat.ME
Stage-wise semiparametric analysis of multivariate event times under informative censoring via vine copula
Mississippi State University（密西西比州立大学）
本文提出基于 vine copula 的多变量事件时间分析框架，以处理终止事件导致的信息性删失，并通过分阶段似然推断刻画异质性事件依赖。
2026-11-03 stat.AP stat.CO stat.ME
Vine copula based likelihood estimation of dependence patterns in multivariate event time data
在许多研究中，多变量事件时间数据是从具有可能复杂的关联模式的聚类中生成的。需要灵活的模型来捕捉这种依赖性。藤系联结就是为了这个目的。对于完整的数据，可以使用葡萄系连接函数的推断方法。然而，事件时间数据经常受到右删失的影响。因此，需要调整现有的推断工具，例如似然估计。提出了一种两阶段估计方法。首先，对边缘分布进行建模。第二，依赖结构建模的葡萄Copula估计通过似然最大化。由于右截尾的单重和二重积分出现在Copula似然表达式中，因此需要数值积分来评估。对于依赖建模的序贯估计的方法，促进了似然优化的计算挑战。三维仿真研究提供了证据，所提出的方法具有良好的有限样本性能。使用四维乳腺炎的数据，它示出了如何选择一个合适的葡萄系函数模型的数据在手。
2017-07-22 stat.AP stat.ME
Two-Stage Pseudo Maximum Likelihood Estimation of Semiparametric Copula-based Regression Models for Semi-Competing Risks Data
本文面向半竞争风险数据，提出基于 copula 半参数模型的两阶段伪极大似然估计方法，证明渐近性质并验证其更稳健、高效。
2024-10-25 stat.ME
Conditional Copula Models for Right-Censored Clustered Event Time Data
本文提出了一种建模策略来推断协变量对右删失聚类事件时间数据的依赖结构的影响。联合生存函数的事件时间建模使用参数条件Copula，其参数依赖于一个集群级协变量的功能。我们使用局部似然方法来估计Copula参数的形式，并概述了广义似然比型测试策略，正式测试其恒常性。采用引导程序来获得测试的近似$p$值。所提出的估计和测试方法的性能进行评估，在模拟下不同的右删失率和各种参数copula家庭，考虑参数和非参数估计的利润。我们将这些方法应用于糖尿病视网膜病变研究的数据，以评估发病年龄对视力丧失的影响。
2016-06-04 stat.ME
HACSurv: A Hierarchical Copula-Based Approach for Survival Analysis with Dependent Competing Risks
Southeast University（东南大学）；The University of Newcastle（纽卡斯尔大学）
本文提出 HACSurv，利用分层阿基米德 Copula 建模竞争风险与删失之间的相依结构，从而提升生存分布预测精度，并在合成和真实数据上验证了其优于现有方法。
2025-03-10 cs.LG stat.ME stat.ML
Multi-stage optimal dynamic treatment regimes for survival outcomes with dependent censoring
我们提出了一种强化学习方法来估计一个最佳的动态治疗方案的生存结果与相关删失。该估计量允许失效时间有条件地独立于删失并依赖于治疗决策时间，支持灵活的治疗组和治疗阶段数量，并且可以在某个时间点最大化平均生存时间或生存概率。该估计器是使用广义随机生存森林构造的，并且可以具有多项式收敛速度。模拟和数据分析结果表明，新的估计带来更高的预期结果比现有的方法在各种设置。CRAN上有一个R软件包dtrSurv。
2022-05-12 stat.ME
Statistics of multivariate extremes under random censoring
University of Copenhagen（哥本哈根大学）
本文提出在随机右删失下估计多元极值尾部依赖性的方向Kaplan-Meier估计器，无需多元生存函数，证明其一致性和弱收敛，并应用于洪水保险数据。
2026-09-30 stat.ME
Time-dependent Predictive Accuracy Metrics in the Context of Interval Censoring and Competing Risks
本文针对区间删失和竞争风险下的时变预测评估问题，提出基于模型和IPCW两种方法，并围绕AUC、Brier评分和EPCE三个时间依赖性指标进行模拟比较。
2025-07-16 stat.ME
Factorial survival analysis for treatment effects under dependent censoring
析因分析提供了一种强有力的非参数方法来检测多个治疗之间的主要或相互作用效应。对于生存结局，例如来自临床试验的生存结局，可采用此类技术来比较处理效应的合理量化。在生存分析中要解决的关键困难涉及删失的正确处理。到目前为止，所有现有的生存数据析因分析都是在独立删失假设下开发的，这对于许多应用来说太强了。作为一个解决方案，这篇文章的中心目标是发展新的方法，因子生存分析下相当普遍的相依删失制度。这将通过结合因子生存分析的现有结果与生存copula模型开发的技术来实现。因此，我们将提出一个有吸引力的F检验，在我们的模拟研究中表现出良好的性能。新方法在实际数据分析中得到了验证。我们在一个R函数surv.factorial（.）在R包装化合物中。
2023-02-03 math.ST stat.ME stat.TH
Statistical inference for dependent competing risks data under adaptive Type-II progressive hybrid censoring
本文针对自适应II型逐步混合删失下的相依竞争风险数据，基于Marshall-Olkin二元Weibull分布提出参数估计与区间推断方法，并通过模拟和实证验证其有效性。
2023-04-19 stat.ME
Doubly Robust Estimation under Covariate Dependent Censoring in Semi-Competing Risks Data
Herbert Wertheim School of Public Health and Human Longevity Science, University of California, San Diego（加州大学圣地亚哥分校赫伯特·韦特海姆公共卫生与人类长寿科学学院）；Department of Mathematics, University of California, San Diego（加州大学圣地亚哥分校数学系）；Halicioglu Data Science Institute, University of California, San Diego（加州大学圣地亚哥分校哈利奥格鲁数据科学研究所）
针对半竞争风险数据在协变量依赖删失下的估计问题，提出AIPCW框架并结合AIPTW，实现双重稳健的因果效应估计，应用于饮酒对认知与死亡影响研究。
2026-09-29 stat.ME
Extending one-factor copulas
到目前为止，单因素Copula诱导条件独立的潜在因素。本文将单因子Copula推广到条件相依模型。这是通过新的表示，允许建立新的参数因子copula与不同的条件依赖结构。我们讨论这些表示的估计和性质。为了区分条件独立和条件依赖因子copula，我们提供了一种新的统计测试，不假设任何参数形式的条件依赖结构。通过实例、数值实验以及真实数据分析，对我们的框架进行了说明。
2016-12-08 stat.ME
Causal Inference With Outcome-Dependent Missingness And Self-Censoring
针对因果推断中结果自删失导致估计偏差、现有阴影变量法假设难验证的问题，提出基于随机激励变量的检验方法验证识别假设，证明以处理为阴影变量可识别因果效应并给出对应逆概率加权估计量，通过模拟验证了有效性。
2023-06-08 stat.ME
Maximum pseudo-likelihood estimation in copula models for small weakly dependent samples
最大伪似然（MPL）是一种半参数估计方法，常用于从数据中获得Copula模型中的相依参数。它已被证明，尽管是一致的，在某些情况下有效的，MPL估计可能高估的依赖程度，特别是对于小的弱相关样本。我们表明，MPL方法使用的期望值的顺序统计量，我们建议使用相同的顺序统计量的中位数或模式。在一个模拟研究中，我们比较了有限样本性能的估计与原来的MPL和反演方法估计的基础上肯德尔的τ和斯皮尔曼的ρ。结果表明，改进的MPL估计，尤其是基于顺序统计量的MPL估计，在保持原MPL方法大样本性质的同时，具有更好的有限样本性能.
2022-09-06 stat.ME
Conditional-Marginal Nonparametric Estimation for Stage Waiting Times from Multi-Stage Models under Dependent Right Censoring
针对多阶段模型中的阶段等待时间，提出两种非参数估计方法（IPCW和FRE），处理相依右删失，并通过模拟和真实数据验证其有效性。
2025-04-23 stat.ME
Nonparametric regression with dependent censoring or competing risks
United Arab Emirates University（阿联酋大学）；Copenhagen Business School（哥本哈根商学院）；National Sun Yat-sen University（国立中山大学）
本文探讨了在存在未知依赖删失或竞争风险时，非参数回归模型中偏变量效应比率的可识别性，并提出非参数估计方法。
2026-03-24 econ.EM stat.ME
Robust Estimation under Outcome Dependent Right Censoring in Huntington Disease: Estimators for Low and High Censoring Rates
Johns Hopkins University（约翰斯·霍普金斯大学）；Penn State University（宾夕法尼亚州立大学）；Columbia University Medical Center（哥伦比亚大学医学中心）；University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校）
本文提出三种稳健估计器用于亨廷顿病中因结果依赖右删失的问题，通过比较不同删失率下的表现，为估计器选择提供实用指导。
2025-11-19 stat.AP stat.ME
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
Additive Models for Conditional Copulas
条件Copula是一种灵活的统计工具，它将联合条件分布和边际条件分布耦合起来。在一个线性回归设置有一个以上的协变量和两个依赖的结果，我们提出了使用添加剂模型的条件二元Copula模型，并讨论计算和模型选择工具进行贝叶斯推断。该方法是使用模拟和一个真实的例子说明。
2014-07-30 stat.ME
Dependent Censoring Based on Geometric Optimization
Université Lumière Lyon 2（里昂第二大学）；Université Lyon 1（里昂第一大学）；ERIC（教育、社会与文化研究中心）；Université de Technologie de Compiègne（贡比涅技术大学）；LMAC（数学与计算力学实验室）；École d’Ingénieur Généraliste ESME（ESME工程师学院）
针对生存分析中的相依删失问题，提出基于扩展广义Marshall-Olkin模型的框架，利用几何优化技术估计失效与删失时间的依赖关系，并证明渐近性质。
2026-06-17 math.ST stat.ME stat.TH
Semiparametric estimation of structural failure time model in continuous-time processes
结构失效时间模型是用于估计随时间变化的治疗对生存结果的影响的因果模型。在存在时间依赖性混杂和行政截尾的情况下，提出了G估计和人工截尾来估计模型参数。然而，大多数现有的方法需要手动预处理数据成规则间隔的数据，这可能会使随后的因果分析无效。此外，由于人工删失的非光滑性，计算和推理具有挑战性。我们提出了一类连续时间结构故障时间模型，它尊重底层数据过程的连续时间性质。在无不可测混杂的鞅条件下，我们证明了模型参数可由潜在无穷大的估计方程识别。使用半参数效率理论，我们得到的第一个半参数双稳健估计，在这个意义上说，估计是一致的，如果治疗过程模型或故障时间模型是正确的，但不一定两者兼而有之。此外，我们提出了使用截尾加权逆概率来处理相依截尾。与人工删失相比，我们的加权策略不会在估计中引入非光滑性，并确保了重新排序方法可以用于进行推理。
2019-02-17 stat.ME
Copula-based models for spatially dependent cylindrical data
University of Florence（佛罗伦萨大学）；Karlsruhe Institute of Technology（卡尔斯鲁厄理工学院）
本文提出了一种结构加性条件copula回归模型，用于处理具有空间依赖性的圆柱形数据，通过包裹高斯过程建模圆形成分，分布回归模型处理线性成分，并允许非平稳协方差结构。
2026-02-05 stat.ME
Regression for Copula-linked Compound Distributions with Applications in Modeling Aggregate Insurance Claims
在精算研究中，一项特别重要的任务是预测单个风险的损失成本，以便在各种保险业务中做出信息决策，例如承保，费率制定和资本管理。损失成本通常被视为遵循复合分布，其中严重性变量的总和被频率变量停止。模拟这种结果的一个挑战性问题是要适应索赔数量和每个索赔规模之间的潜在依赖关系。在这篇文章中，我们介绍了一种新的回归框架的复合分布，使用Copula来适应之间的关联的频率和严重性变量，从而允许任意依赖的两个组件。我们进一步表明，新的模型是非常灵活的，很容易修改，以考虑不完整的数据，由于删失或截断。所提出的模型的灵活性，说明使用模拟和真实的数据集。在对财产保险索赔数据的分析中，我们发现索赔数量与索赔规模之间存在实质性的负相关关系。此外，我们证明，忽视频率严重性的关联可能会导致有偏见的决策在保险业务。
2019-10-13 stat.AP stat.ME
Not Linearly Correlated, But Dependent: A Family of Normal Mode Copulas
本文提出并研究正态模态 Copula，用于刻画变量间非线性但非独立的相依结构，并通过美国众议院选举数据验证其优于传统 Copula。
2023-08-07 stat.AP stat.ME
Improving forecasting performance using covariate-dependent copula models
Copula函数为构造具有灵活边缘分布和不同依赖形式的多元分布提供了一种有吸引力的方法。在许多领域特别重要的是明确预测尾部依赖的可能性。大多数现有的方法只能通过讨厌的参数来估计尾部依赖性和相关性，但既不能用于解释，也不能用于预测。为了提高copula预测性能，我们提出了一种通用的贝叶斯方法建模和预测的尾部相关性和相关性作为显式函数的协变量。建议的协变量依赖的copula模型还允许贝叶斯变量之间的选择，从边际模型以及copula密度。我们研究的Copula包括Joe-Clayton Copula、Clayton Copula、Gumbel Copula和Student的\emph{t} -Copula。后验推理是使用一种有效的MCMC模拟方法。我们的方法适用于模拟数据和标准普尔100和标准普尔600指数。将所提出的方法的预测性能与基于日志预测分数的其他建模策略进行比较。在风险价值评估也进行了模型比较。
2018-05-21 stat.CO stat.ME
Bayesian Variable Selection for Non-Gaussian Responses: A Marginally Calibrated Copula Approach
我们提出了一个新的高度灵活和易于处理的贝叶斯方法进行非高斯回归模型中的变量选择。它对因变量的观测值的联合分布使用copula分解。这使得因变量的边缘分布可以使用非参数估计器或其他估计器进行精确校准。家庭的copula雇用的是“隐式copula”，从现有的层次贝叶斯模型广泛用于变量选择，我们建立了他们的一些属性。虽然Copula是高维的，但利用马尔可夫链蒙特卡罗（MCMC）方法可以快速有效地估计Copula。模拟研究表明，当响应是非高斯的方法选择变量比当代基准更准确。Web附录中的一个真实数据示例说明，即使是轻微的正态性偏差也可以导致准确性的大幅提高。为了说明我们的方法的全部潜力，我们将其扩展到功能磁共振成像的空间变量选择。使用真实数据，我们表明我们的方法允许在超过6，000个体素处对磁共振信号进行体素特定的边缘校准，从而提高激活图的质量。
2020-09-03 stat.ME
Joint calibrated estimation of inverse probability of treatment and censoring weights for marginal structural models
具有逆概率加权的边缘结构模型（MSM）提供了一种在存在时变混杂和依赖删失的情况下估计治疗序列对重复结局指标的因果效应的方法。然而，当权重估计的极大似然，逆概率加权估计（IPWE）可能是低效和不稳定的，在实践中。我们提出了一种联合校准方法，用于治疗和审查权重的逆概率，以提高具有任意时变治疗的MSM的IPWE的效率和鲁棒性（即，二进制和非二进制）分布。具体地，通过在对当前样本进行加权之后明确地消除与治疗分配过程和删失过程两者的协变量关联（即，在有限样本中优化协变量平衡）。一个凸最小化过程的开发来实现校准。仿真结果表明，IPWE与校准的权重表现优于IPWE与极大似然的权重。我们将我们的方法应用于HIV的自然史研究，以估计高效抗逆转录病毒治疗对CD4细胞计数随时间的累积效应。
2018-06-29 stat.ME
Proximal Survival Analysis to Handle Dependent Right Censoring
针对流行病和临床研究中因协变量无法完全捕捉预后关联而导致的相依右删失问题，提出将协变量视为潜在预后不完美代理的非参数识别框架及自适应估计量，具有一致、渐近正态和双重稳健性。
2024-01-09 math.ST stat.ME stat.TH
SPYCE: A Doubly Robust Estimator for Trials Targeting Early Huntington Disease under Outcome-Dependent Censoring
Pennsylvania State University（宾夕法尼亚州立大学）；Columbia University Medical Center（哥伦比亚大学医学中心）
针对神经退行性疾病临床试验中结果依赖删失致现有估计器矛盾的问题，提出双稳健估计器SPYCE，能非参数估计两个模型且方差最小，应用于亨廷顿病数据时解决矛盾，确定敏感终点并减少所需参与者数量。
2026-07-22 stat.AP 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
Copula-Based Time Series for Non-Gaussian and Non-Markovian Stationary Processes
TU Dortmund University（多特蒙德工业大学）；University of British Columbia（不列颠哥伦比亚大学）
本文提出基于Copula的时间序列模型，用于非高斯和非马尔可夫平稳过程，探讨了长记忆自回归效应，并分析了该模型与Gaussian-ARMA和Gaussian-GARCH(1,1)模型的关系，以及最大似然估计和MAG(1)过程的分布特性。
2026-10-20 stat.ME
Generalised bayesian sample copula of order $m$
在这项工作中，我们提出了一个半参数的二元copula的密度是由一个分段常数函数定义的不相交的平方。我们得到了模型参数的极大似然估计，并证明了在特定条件下，它们约化为样本Copula。我们进一步建议进行一个完整的贝叶斯模型分析，并引入一个空间依赖的先验分布的模型参数。这种先验允许参数在相邻区域借用强度，以产生平滑的后验估计。为了通过全条件分布来估计后验分布，我们提出了一种数据增强技术。一个大都市黑斯廷斯步骤是必需的，我们提出了一种新的适应计划的随机游动建议分布。我们实现了一个模拟研究和一个真实的数据集的分析，以说明我们的模型和推理算法的性能。
2023-03-09 stat.ME
Testing the Homogeneity of Proportions for Correlated Bilateral Data via the Clayton Copula
University at Buffalo（布法罗纽约州立大学）；Institute of Statistical Mathematics（统计数学研究所）；The First Affiliated Hospital of Xiamen University（厦门大学附属第一医院）
针对眼科等临床试验中的相关双侧数据，本文提出基于 Clayton copula 的比例齐性检验框架，并通过模拟和两个真实数据集验证其可控制 I 类错误率且具有合理效能。
2025-09-28 stat.ME
Multivariate temporal dependence via mixtures of rotated copulas
本文提出一种由参数 copula 的 2^m 个旋转构成的混合模型，用于在 m 维情形下同时捕捉多种尾部依赖特征，并将其扩展为混合概率随时间演化的动态版本，通过模拟和真实数据验证了模型性能。
2025-02-10 stat.ME
Bayesian inference for generalized extreme value distribution with Gaussian copula dependence
依赖广义极值（dGEV）模型因其在实际数据中经常出现的依赖结构而受到广泛关注。为了构建dGEV模型，一种自然的方法是假设模型中的一些参数是时变的。以前的研究表明，一个依赖的Gumbel过程可以自然地纳入GEV模型。该模型是一个非线性状态空间模型，其隐状态遵循马尔可夫过程，其新息遵循Gumbel分布。可以使用贝叶斯方法对模型进行推断，从用于近似Gumbel分布的混合正态分布中对隐藏过程进行采样。因此，响应遵循近似GEV模型。我们提出了一个新的模型，其中每个边缘分布是一个精确的GEV分布。我们使用一个变量变换结合边际CDF的Gumbel分布与标准的正常Copula。然后，我们的模型是一个非线性状态空间模型，其中隐藏的状态方程是高斯。我们使用贝叶斯方法分析该模型，并使用粒子吉布斯祖先采样（PGAS）的状态向量的元素进行采样。PGAS算法在求解非线性状态空间模型方面是非常有效的。我们还表明，我们的模型是灵活的，足以纳入季节性。
2017-03-02 stat.ME
Bayesian Nonparametric Modeling for Multivariate Conditional Copula Regression with Varying Coefficients
Yonsei University（延世大学）
本文提出一种贝叶斯非参数框架，用于具有变系数的多元条件Copula回归，结合自适应样条边际回归与无限混合高斯Copula，通过Probit stick-breaking过程使权重随协变量变化，提供灵活的协变量依赖建模，避免显式全局约束。
2026-04-14 stat.ME
A time-varying bivariate copula joint model for longitudinal and time-to-event data
针对常规联合模型条件独立假设难验证的问题，提出含随机效应及时变二元Copula的联合模型，其参数估计对Copula误设稳健，生存概率预测性能更优，并应用于PBC数据。
2024-12-01 stat.ME
Bayesian Nonparametric Bivariate Survival Regression for Current Status Data
我们考虑基于当前状态数据的事件时间分布的非参数推断。我们发现，在这种情况下，传统的混合先验，包括流行的狄利克雷过程混合先验，导致生物学上无法解释的结果，因为它们不自然地倾斜的概率质量的事件时间对极端的观测数据。对相关删失的简单假设可以解决这个问题。然后，我们将讨论扩展到两个结果的偏序的二元当前状态数据。除了相关的删失，我们还利用了一些最小的已知结构有关的两个事件的时间。我们设计了一个用于后验模拟的马尔可夫链蒙特卡罗算法。应用于复发性感染的研究，该方法提供了新的见解，如何受协变量的影响与艾滋病相关的医院就诊。
2020-09-22 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
Generalized Bayesian Additive Regression Trees for Restricted Mean Survival Time Inference
本文提出面向个体RMST预测的广义贝叶斯加性树框架，利用IPCW损失处理信息删失，并通过模拟和乳腺癌多站点队列验证其性能。
2024-02-27 stat.ME
Estimation of Extreme Quantiles for Functions of Dependent Random Variables
本文提出了一种估计多个相依随机变量函数极值分位数的新方法。与基于极值理论的传统方法相比，我们不施加条件，即底层分布的尾部允许近似的参数形式，而且，我们的估计利用了完整的观测数据。所提出的方法是半参数的，因为没有参数的形式假定所有的边缘分布。但是我们利用最近在构造高维藤连接函数方面的发展，选择合适的二元连接函数来模拟联合依赖结构。因此，从拟合的联合分布中抽取一个大的自助样本得到的样本分位数被用作极值分位数的估计量。证明了该估计量是相容的。仿真结果进一步说明了该方法的可靠性和鲁棒性。
2013-11-21 stat.ME
Estimation of the complier causal hazard ratio under dependent censoring
本文研究相依删失下内生二元处理对持续期结果的因果效应，利用二元工具变量并通过 copula 建模删失依赖关系，提出基于加权最大似然的两步估计法以估计依从者因果风险比（CCHR）。
2025-04-02 econ.EM math.ST stat.ME
Time-dependent AUC with right-censored data: a survey study
ROC曲线和相应的AUC是用于评估诊断测试的流行工具。它们最近已扩展到评估预后标志物和预测模型。然而，由于事件发生时间结局的许多特殊性，文献中提出了各种定义和估计量。这篇综述文章的目的是介绍那些适应右删失，这是常见的评估这种预后标志物。
2012-10-25 stat.ME
Modeling the Ratio of Correlated Biomarkers Using Copula Regression
本文提出基于Frank copula的回归模型，用于对两个相关成分的比值进行建模，克服了现有模型仅允许独立或正相关的局限，并在阿尔茨海默病生物标志物比值诊断中验证了其有效性。
2023-12-01 stat.ME
Cumulative/Dynamic Time-Dependent ROC Analysis for Left-Truncated and Right-Censored Data
St. Jude Children’s Research Hospital（圣裘德儿童研究医院）；University of Southern Mississippi（南密西西比大学）；Brown University（布朗大学）
该研究针对左截断右删失数据拓展时间依赖ROC分析方法，提出多种回归型及逆概率加权估计量，经模拟和真实队列数据验证，为时间结局的生物标志物判别性能评估提供了更适用的统计工具。
2026-10-06 stat.ME
A dependent multiplier bootstrap for the sequential empirical copula process under strong mixing
对多变量观测值的Copula进行推断的两个关键因素是经验Copula过程和对后者的适当恢复方案。在用于i.i.d.观察，Rémillard和Scaillet（J. Multivariate Anal. 100（2009）377-386）经常出现导致具有最佳有限样本性质的推理程序。Bücher和Ruppert（J. Multivariate Anal. 116（2013）208-229）最近提出了通过将Bühlmann的依赖乘子自举（时间序列和经验过程中的块自举（1993）ETH Zürich，第3.3节）适应于经验copula过程，将该技术扩展到严格平稳的强混合观测。这项工作的主要贡献是一个推广的乘子reserve计划提出的Bücher和Ruppert沿两个方向。首先，resception计划现在是真正的顺序，从而允许转置到强混合设置许多现有的乘数测试未知的copula，包括非参数测试的变点检测。第二，resception方案现在是全自动的，因为提出了可用于估计带宽参数的数据自适应过程。仿真研究是用来调查有限样本性能的reserve计划，并提供建议，如何选择几个额外的参数。作为本文工作的副产品，在较弱的强混合系数和乘子条件下，得到了Bühlmann经验过程的相依乘子自助序列的有效性，并在许多序列相依条件下建立了序列经验copula过程的弱收敛性.
2016-02-09 math.ST stat.ME stat.TH
Conformalized survival analysis with adaptive cutoffs
本研究针对删失数据生存时间预测问题，提出带自适应协变量依赖子集化的共形化生存分析方法，可生成更精准的预测下界，在I型右删失下保障覆盖率，经实验和真实移动应用数据验证优于同类方法。
2023-11-06 stat.ME
Compound vectors of subordinators and their associated positive Lévy copulas
Lévycopula是构造相依Lévy过程的重要工具。在经典环境中，它们已被用于建模金融应用程序。在贝叶斯框架中，它们被用来引入非参数先验，允许对异质数据进行建模。本文基于最近出现的一类从属子，引入了一类新的Lévy copula，称为\textit{Compound Random Measures} .著名的Clayton Lévy copula是这个新类的一个特例。此外，我们提供了一些新的结果，如一个系列表示和相关的时刻从属的基础向量。文章最后应用到丹麦火灾数据集。
2020-08-31 math.PR math.ST stat.ME
Bayesian Additive Regression Tree Copula Processes for Scalable Distributional Prediction
Scientific Computing Center, Karlsruhe Institute of Technology（卡尔斯鲁厄理工学院科学计算中心）；Melbourne Business School, University of Melbourne（墨尔本大学墨尔本商学院）
本文提出了一种基于贝叶斯加法回归树的 copula 过程模型，用于实现可扩展的分布预测，并通过模拟和实际数据验证了其有效性。
2026-10-07 stat.ME
A Kolmogorov-Smirnov-Type Test for Dependently Double-Truncated Data
University of Rostock（罗斯托克大学）
本文提出了一种针对依赖性双截断数据的Kolmogorov-Smirnov型检验方法，用于检验寿命分布族的假设，并通过模拟和实际数据验证其有效性。
2025-10-13 stat.ME
