کد مقاله | کد نشریه | سال انتشار | مقاله انگلیسی | نسخه تمام متن |
---|---|---|---|---|
6869730 | 681373 | 2015 | 9 صفحه PDF | دانلود رایگان |
عنوان انگلیسی مقاله ISI
Model based bootstrap methods for interval censored data
ترجمه فارسی عنوان
روش های بوت استرپ مبتنی بر مدل برای داده های سانسور شده با فاصله
دانلود مقاله + سفارش ترجمه
دانلود مقاله ISI انگلیسی
رایگان برای ایرانیان
کلمات کلیدی
ثبات بوت استرپ، داده های وضعیت فعلی، سانسور فاصله مجزا، برآورد کننده حداکثر احتمال احتمال غیر پارامتری،
ترجمه چکیده
کارایی روش های مبتنی بر بوت استرپ مبتنی بر مدل برای ساختن فواصل اطمینان نقطه ای اطراف تابع بقا با داده های سانسور شده با فاصله زمانی بررسی شده است. نشان داده شده است که بوت استرپینگ از برآورد حداکثر احتمال غیر پارامتریک تابع بقا برای مدل وضعیت فعلی متناقض است. یک روش بوت استرپ نرم افزاری مبتنی بر مدل پیشنهاد شده است و ثابت شده است که سازگار است. در واقع، یک چارچوب کلی برای اثبات سازگاری هر طرح اولیه بوت استرپ در مدل وضعیت فعلی ایجاد شده است. علاوه بر این، مطالعات شبیه سازی برای نشان دادن (در) تضمین روش های مختلف بوت استرپ در سانسور مجدد فاصله زمانی مورد استفاده قرار می گیرد. نتیجه گیری در مدل سانسور بازه به طور کلی به برآوردگرها در مدل های رگرسیون که میزان همگرایی غیر استاندارد را نشان می دهند، گسترش می یابد.
موضوعات مرتبط
مهندسی و علوم پایه
مهندسی کامپیوتر
نظریه محاسباتی و ریاضیات
چکیده انگلیسی
The performance of model based bootstrap methods for constructing point-wise confidence intervals around the survival function with interval censored data is investigated. It is shown that bootstrapping from the nonparametric maximum likelihood estimator of the survival function is inconsistent for the current status model. A model based smoothed bootstrap procedure is proposed and proved to be consistent. In fact, a general framework for proving the consistency of any model based bootstrap scheme in the current status model is established. In addition, simulation studies are conducted to illustrate the (in)-consistency of different bootstrap methods in mixed case interval censoring. The conclusions in the interval censoring model would extend more generally to estimators in regression models that exhibit non-standard rates of convergence.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Computational Statistics & Data Analysis - Volume 81, January 2015, Pages 121-129
Journal: Computational Statistics & Data Analysis - Volume 81, January 2015, Pages 121-129
نویسندگان
Bodhisattva Sen, Gongjun Xu,