Skip to main content
CenXiv.org
此网站处于试运行阶段,支持我们!
我们衷心感谢所有贡献者的支持。
贡献
赞助
cenxiv logo > math > arXiv:0812.2987v1

帮助 | 高级搜索

数学 > 统计理论

arXiv:0812.2987v1 (math)
[提交于 2008年12月16日 ]

标题: 广义删失下的风险估计

标题: Hazard Estimation under Generalized Censoring

Authors:Alberto Carabarin Aguirre, B. Gail Ivanoff
摘要: 本文聚焦于当数据点受到任意适应的随机集删失时,一般完全可分度量空间上分布的累积危险函数估计问题。 文中解决了涉及[8]和[9]中提出的估计器可观测性的一个问题,并为修正后的估计器证明了一个泛函中心极限定理。 讨论了若干例子与应用,并在每种情况下建立了自助法的有效性。
摘要: This paper focuses on the problem of the estimation of the cumulative hazard function of a distribution on a general complete separable metric space when the data points are subject to censoring by an arbitrary adapted random set. A problem involving observability of the estimator proposed in [8] and [9] is resolved and a functional central limit theorem is proven for the revised estimator. Several examples and applications are discussed, and the validity of bootstrap methods is established in each case.
评论: 投稿至电子统计期刊 (http://www.i-journals.org/ejs/) 由数理统计研究所 (http://www.imstat.org)
主题: 统计理论 (math.ST)
MSC 类: 62G05, 60G42, 60G55 (Primary)
引用方式: arXiv:0812.2987 [math.ST]
  (或者 arXiv:0812.2987v1 [math.ST] 对于此版本)
  https://doi.org/10.48550/arXiv.0812.2987
通过 DataCite 发表的 arXiv DOI
期刊参考: Electronic Journal of Statistics, Vol. 3 (2009) 349-375
相关 DOI: https://doi.org/10.1214/09-EJS340
链接到相关资源的 DOI

提交历史

来自: B. Gail Ivanoff [查看电子邮件]
[v1] 星期二, 2008 年 12 月 16 日 07:41:58 UTC (132 KB)
全文链接:

获取论文:

    查看标题为《》的 PDF
  • 查看中文 PDF
  • 查看 PDF
  • 其他格式
查看许可
当前浏览上下文:
math.ST
< 上一篇   |   下一篇 >
新的 | 最近的 | 2008-12
切换浏览方式为:
math
stat
stat.TH

参考文献与引用

  • NASA ADS
  • 谷歌学术搜索
  • 语义学者
a 导出 BibTeX 引用 加载中...

BibTeX 格式的引用

×
数据由提供:

收藏

BibSonomy logo Reddit logo

文献和引用工具

文献资源探索 (什么是资源探索?)
连接的论文 (什么是连接的论文?)
Litmaps (什么是 Litmaps?)
scite 智能引用 (什么是智能引用?)

与本文相关的代码,数据和媒体

alphaXiv (什么是 alphaXiv?)
CatalyzeX 代码查找器 (什么是 CatalyzeX?)
DagsHub (什么是 DagsHub?)
Gotit.pub (什么是 GotitPub?)
Hugging Face (什么是 Huggingface?)
带有代码的论文 (什么是带有代码的论文?)
ScienceCast (什么是 ScienceCast?)

演示

复制 (什么是复制?)
Hugging Face Spaces (什么是 Spaces?)
TXYZ.AI (什么是 TXYZ.AI?)

推荐器和搜索工具

影响之花 (什么是影响之花?)
核心推荐器 (什么是核心?)
IArxiv 推荐器 (什么是 IArxiv?)
  • 作者
  • 地点
  • 机构
  • 主题

arXivLabs:与社区合作伙伴的实验项目

arXivLabs 是一个框架,允许合作伙伴直接在我们的网站上开发和分享新的 arXiv 特性。

与 arXivLabs 合作的个人和组织都接受了我们的价值观,即开放、社区、卓越和用户数据隐私。arXiv 承诺这些价值观,并且只与遵守这些价值观的合作伙伴合作。

有一个为 arXiv 社区增加价值的项目想法吗? 了解更多关于 arXivLabs 的信息.

这篇论文的哪些作者是支持者? | 禁用 MathJax (什么是 MathJax?)
  • 关于
  • 帮助
  • contact arXivClick here to contact arXiv 联系
  • 订阅 arXiv 邮件列表点击这里订阅 订阅
  • 版权
  • 隐私政策
  • 网络无障碍帮助
  • arXiv 运营状态
    通过...获取状态通知 email 或者 slack

京ICP备2025123034号