Anmeldung Registrierung
Auto Hell Dunkel
Erweiterte Suche
  1. Startseite
  2. Podcasts
  3. Mathematik, Informatik und Statistik - Open Access LMU - Teil 01/03 Podcast
  4. An exact corrected log-likelihood function for Cox's proportional hazards model under measurement error and some extensions
This paper studies Cox`s proportional hazards model under covariate
measurement error. Nakamura`s (1990) methodology of corrected
log-likelihood will be applied to the so called Breslow likelihood,
which is, in the absence of measurement error, equivalent to
partial likelihood. For a general error model with possibly
heteroscedastic and non-normal additive measurement error,
corrected estimators of the regression parameter as well as of the
baseline hazard rate are obtained. The estimators proposed by
Nakamura (1992), Kong, Huang and Li (1998) and Kong and Gu (1999)
are reestablished in the special cases considered there. This sheds
new light on these estimators and justifies them as exact corrected
score estimators. Finally, the method will be extended to some
variants of the Cox model.
Episode melden

„An exact corrected log-likelihood function for Cox's proportional hazards model under measurement error and some extensions“

Worum geht es? Danach fragen wir noch nach dem Grund.

Abonnenten

Teilen

Mein Archiv

Deine Privatkopie der Folgen, die du nicht verlieren willst.

Podcast-Folgen verschwinden. Feeds werden auf die letzten Episoden gekürzt, Hoster räumen alte Dateien ab, Formate wechseln den Anbieter und lassen ihr Archiv zurück. Mit „Mein Archiv“ sichert podcast.de die Folgen deiner Podcasts für dich — angefangen bei den ältesten, denn die sind zuerst weg.

  • Deine gesicherten Folgen bleiben hörbar, auch wenn das Original offline geht.
  • Auch Folgen, die im heutigen Feed gar nicht mehr stehen — podcast.de kennt sie noch.
  • Herunterladen bleibt möglich, solange die Folge beim Podcaster liegt. Der zählt seine Abrufe wie bisher.
Startet bald

Sei beim Start von Mein Archiv dabei

Mein Archiv ist fast fertig. Trag dich ein, dann bekommst du eine E-Mail, sobald es losgeht – und bist von Anfang an dabei. Wir schreiben dir nur zum Start, keine Werbung, keine Weitergabe deiner Daten.

Du bekommst zuerst eine Bestätigungsmail. Abmelden geht jederzeit. Datenschutz