关于删失下参数危险率回归模型的近冗余与可识别性
统计方法学
2023-05-10 v1
摘要
我们研究在右删失存在下的一类丰富参数危险率回归模型的参数推断。先前文献已报道在某些特定数据集下该类模型存在一些推断挑战，如多峰或平坦似然面。我们将这些推断问题的研究形式化，将其与参数的近冗余与实际不可识别性概念相联系。我们证明该类模型参数的最大似然估计量是一致且渐近正态的。因此，该类模型中的推断问题关联于有限样本情形，其中难以区分所拟合模型与一个嵌套的不可识别（即参数冗余）模型。我们提出一种基于概率分布间距离的近冗余检测方法。我们也采用其他领域用于检测实际不可识别性与近冗余的方法，包括探查剖面似然函数与 Hessian 方法。对于检测到推断问题的情形，我们讨论替代方案，如运用模型选择工具识别不展现这些推断问题的更简模型、增大样本量或延长随访时间。我们通过模拟研究展示所提方法的性能。我们的模拟研究揭示了近冗余与实际不可识别性之间的关联。给出了两个使用真实数据的说明性应用，分别有与无推断问题。
引用
@article{arxiv.2305.05641,
title = {On near-redundancy and identifiability of parametric hazard regression models under censoring},
author = {F. J. Rubio and J. A. Espindola and J. A. Montoya},
journal= {arXiv preprint arXiv:2305.05641},
year = {2023}
}
备注
To appear in Biometrical Journal