A penalized likelihood approach for efficiently estimating a partially linear additive transformation model with current status data

Yan Liu; Minggen Lu; Christopher S. McMahan

doi:10.1214/21-EJS1820

2021 用惩罚似然方法有效估计当前状态数据的部分线性可加变换模型

刘燕（Yan Liu）,陆明根,克里斯托弗·S·麦克马汉

作者关联+

电子。J.统计。 15(1): 2247-2287 (2021). DOI:10.1214/21-EJS1820

摘要

当前状态数据在医学和流行病学研究中常见，其中研究单元的失效时间是感兴趣的结果变量。这种形式的数据的特点是，故障时间不是直接观察到的，而是相对于观察时间已知的，即故障时间是从左到右。由于其结构，此类数据的分析可能具有挑战性。为了克服这些挑战，并提供一种可用于分析当前状态数据的灵活建模结构，本文提出了一种部分线性可加变换模型。在这个模型的公式中B类-采用样条函数模拟单调变换函数和非参数协变量效应。为了提供更有效的估计量，使用惩罚技术来正则化所有未知函数的估计。提出了一种易于实现的模型拟合混合算法，并提出了回归参数估计量的大样本方差协方差矩阵的简单一致估计。从理论上证明了所提出的有限维回归系数的估计是根-n个一致、渐近正态，并达到半参数信息界，而非参数分量的估计量达到最优收敛速度。通过广泛的数值研究评估了所提方法的有限样本性能，并通过分析人类乳头瘤病毒（HPV）数据进一步证明了该方法的有效性。

资金筹措表

本研究得到了美国国立卫生研究院拨款R01-AI121351、美国国家科学基金会拨款OIA-1826715和美国国防部海军研究办公室拨款N00014-19-12295的支持。Christopher S.McMahan由美国国立卫生研究院拨款R01 AI121351、美国国家科学基金会拨款OIA-1826715和海军研究办公室拨款N00014-19-12295资助。