删除或更新信息,请邮件至freekaoyan#163.com(#换成@)

失效信息随机缺失时可加危险率模型的统计推断

本站小编 Free考研考试/2021-12-25

陈菲菲1,2, 孙志华1,2, 叶雪1,2
1. 中国科学院大学数学科学学院, 北京 100049;
2. 中国科学院大数据挖掘与知识管理重点实验室, 北京 100190
2015年06月01日 收稿; 2015年11月20日 收修改稿
基金项目: 国家自然科学基金(10901162,U1430103,11571340)、中国科学院大学校长基金、中国科学院大数据挖掘与知识管理重点实验室开放课题和安徽省振兴计划团队项目(统计学前沿问题及应用)资助
通信作者: 孙志华

摘要: 对失效信息随机缺失时的可加危险率模型的估计进行研究。充分利用失效信息和缺失信息的概率模型的信息,通过构建估计方程,得到回归参数和基准累积风险函数的3个估计。证明了所提估计的渐近正态性,并进行数值模拟研究其有限样本性质。利用数值模拟研究比较所提估计与文献中的估计的有限样本性质,并通过分析一个实际数据验证了本文方法的有效性。
关键词: 删失信息随机缺失可加危险率模型加权估计方程插补估计
Statistic inference of additive hazards model when censoring indicators are missing at random
CHEN Feifei1,2, SUN Zhihua1,2, YE Xue1,2
1. School of Mathematical Sciences, University of Chinese Academy of Sciences, Beijing 100049, China;
2. Key Laboratory of Big Data Mining and Knowledge Management, Chinese Academy of Sciences, Beijing 100190, China


Abstract: In this work, we consider a semi-parametric additive hazards regression model for right-censored data with censoring indicators missing at random.By employing the information of the response and censoring probability models, we propose three estimators of the regression coefficient and the baseline cumulative hazard function.We prove that the proposed estimators are consistent and asymptotically normal.Simulation studies are conducted to evaluate the numerical performance of the proposed estimators in comparison with the existing estimators.A real data set is analyzed to validate the effectiveness of the proposed methods.
Key words: censoring informationmissing at randomadditive hazards regression modelweighting estimating equationimputation estimating
在很多研究领域,数据经常出现右删失的情况,比如研究个体的中途退出或失去跟踪都会导致生存时间的右删失. 令TC分别表示分布函数为FG的生存时间和删失时间变量,当生存数据出现右删失时,仅观察到X=:min(T,C).通常假定在给定p 维协变量Z时,TC条件独立.
记删失指示变量δ=I(TC),I(A)表示A的示性函数.删失指示变量δ不是总能观测到,有时会出现缺失的现象.例如,某些研究个体的医学记录丢失了; 另外,当获取死亡信息需要进行解剖时,昂贵的解剖代价往往使得许多个体的解剖没有进行,从而使死亡原因无法收集到,这时失效信息也缺失了. 令ξ表示失效信息缺失的指示变量,当观测到δξ=1,否则ξ=0.
δ缺失的概率既与δ本身的值无关,又与观测到的变量XZ的值无关,即P{ξ=1|δ,X,Z}=P{ξ=1},则称δ的缺失为完全随机缺失(MCAR);若δ缺失的概率仅仅与XZ的值相关,但是与δ本身的值无关,即P{ξ=1|δ,X,Z}=P{ξ=1|X,Z},则称δ的缺失为随机缺失(MAR);若δ的缺失与δ本身有关,则称δ的缺失为非随机缺失(MNAR). 通常假设数据的缺失是MAR的,且在很多情形下这是合乎情理的[1].大量的统计文献在做统计推断时将数据的随机缺失假设作为基本准则,例如文献[2]对失效原因随机缺失的竞争风险数据进行研究;文献[3]对响应变量随机缺失的半参数回归模型进行研究;文献[4]研究死亡原因随机缺失时生存函数的半参数估计.本文考虑失效信息δ是随机缺失的,关于失效信息缺失的研究也有很多,如文献[5-8]等.
本文中,我们利用可加危险率模型研究协变量Z对生存时间T的影响.可加危险率模型是一种较为常见的半参数回归模型,在可加危险率回归模型下,条件风险率函数λ(t|Z)=λ0(t)+β0Z,其中λ0(t)是未知的基准风险函数,β0p维未知回归参数. 关于可加危险率模型的研究有很多,可参考文献[9-11]等.
我们的目的是估计未知的回归参数β0和基准风险函数λ0(t). 对可加危险率模型,当失效信息随机缺失时,文献[12]采用逆概率加权的思想,构建关于未知参数β0λ0(t)的简单加权估计方程组和完全增广加权估计方程组,并证明了估计的渐近性质;文献[13]亦对同种类型的数据进行研究,通过一种基于核的插补方法(Kernel-assisted imputation estimating method)得到一组关于β0λ0(t)的估计方程组,从而得到β0λ0(t)的估计.上述估计方法在构建估计方程组时,均使用了条件概率P{δ=1|X,Z}的非参数核估计.我们知道,非参数核方法受到“维数祸根”的困扰,从而在一定程度上 限制了方法在协变量维数比较高时的使用.
我们发现,有时是可以获得关于删失模型P{δ=1|X,Z}的信息的,比如当生存时间和删失时间都服从威布尔分布时,根据P{δ=1|X=x}=$\frac{{{\lambda }_{t}}\left( x \right)}{{{\lambda }_{t}}\left( x \right)+{{\lambda }_{c}}\left( x \right)}=\frac{1}{1+{{\lambda }_{c}}\left( x \right)/{{\lambda }_{t}}\left( x \right)}$,其中λt(x)和λc(x)分别表示TC的风险函数,文献[14]表明θ1/(θ1+xθ2),θ1>0,θ2R是一个可供选择的模型. 更多关于对P{δ=1|X,Z}进行参数模型假定的细节可参考文献[14]. 显然,假定P{δ=1|X,Z}具有参数形式,就可避免非参数光滑方法的使用,从而避免“维数祸根”的问题. 即使协变量的维数比较高,本文所提的方法也是有效的.
1 模型介绍假设我们观测到一个独立同分布的样本{Xi,ξi,ξiδi,Zi}i=1n. 进一步假定参数概率模型:
$\begin{align} & \pi ({{V}_{i}},\alpha )=P\{{{\xi }_{i}}=1|{{V}_{i}}\}, \\ & \omega ({{V}_{i}},\gamma )=P\{{{\delta }_{i}}=1|{{V}_{i}}\}, \\ \end{align}$
其中,π(·,α)和ω(·,γ)表示形式已知的函数,α和γ表示未知参数,Vi=(Xi,Z′i)′. 对可加危险率回归模型,条件危险率函数有如下形式
$\lambda \left( t|Z \right)={{\lambda }_{0}}\left( t \right)+\beta {{\prime }_{0}}Z,$ (1)
其中λ0(t)是未知的基准危险率函数,β0p维未知回归参数.
显然$\pi ({{V}_{i}},\alpha )=E\{{{\xi }_{i}}|{{V}_{i}}\},\omega ({{V}_{i}},\gamma )=E\{{{\delta }_{i}}|{{V}_{i}}\}$分别表示给定Viξiδi的条件期望,因而可使用已有的二元数据分析的方法对缺失模型和删失模型进行分析,可假定π(Vi,α)和ω(Vi,γ)满足常见的逻辑回归模型.另外,文献[14]给出删失参数模型需满足$P\left\{ \delta =1|X=x \right\}=\frac{{{\lambda }_{t}}\left( x \right)}{{{\lambda }_{t}}\left( x \right)+{{\lambda }_{c}}\left( x \right)}.$该文同时还给出了一些具体可行的参数模型假设,比如当λc(x)通过链接函数Ψ(x,γ)对λt(x)产生乘积效应,即λt(x)=Ψ(x,γ)λc(x),其中γ是未知参数,那么可给出$P\left\{ \delta =1|X=x \right\}=\frac{\Psi \left( x,\gamma \right)}{1+\Psi \left( x,\gamma \right)}.$.更多关于对P{δ=1|X}进行参数模型假定的细节可参考文献[14].
对可加危险率模型,若失效信息没有缺失,令${{N}_{i}}\left( t \right)=I({{X}_{i}}\le t,{{\delta }_{i}}=1),{{N}^{u}}_{i}\left( t \right)=I({{X}_{i}}\le t),{{Y}_{i}}\left( t \right)=I({{X}_{i}}\ge t)$,那么
$\begin{align} & {{M}_{i}}\left( t \right)={{N}_{i}}\left( t \right)-\int\limits_{0}^{t}{{{Y}_{i}}\left( s \right)\{{{\lambda }_{0}}\left( s \right)+\beta {{\prime }_{0}}{{Z}_{i}}\}\text{d}s} \\ & ={{\delta }_{i}}N_{i}^{u}\left( t \right)-\int\limits_{0}^{t}{{{Y}_{i}}\left( s \right)\{{{\lambda }_{0}}\left( s \right)+\beta {{\prime }_{0}}{{Z}_{i}}\}\text{d}s}, \\ & \left( i=1,2,\ldots ,n \right). \\ \end{align}$
是零均值的鞅过程.根据鞅的性质,可得到关于未知回归参数β0的估计方程[9]
$\sum\limits_{i=1}^{n}{\int_{0}^{\tau }{\{{{Z}_{i}}-Z-\left( t \right)\}[\text{d}{{N}_{i}}\left( t \right)-{{Y}_{i}}\left( t \right)\beta {{\prime }_{0}}{{Z}_{i}}\text{d}t]}}=0,$ (2)
其中$\bar{Z}\left( t \right)=\frac{\sumolimits_{i=1}^{n}{{{Z}_{i}}{{Y}_{i}}\left( t \right)}}{\sumolimits_{i=1}^{n}{{{Y}_{i}}\left( t \right)}}$τ是给定的满足P(Xiτ)>0且Λ0(τ)<∞的正常数,一般取τ=max{Xi},其中Λ0(t)=$\int\limits_{0}^{t}{{{\lambda }_{0}}\left( s \right)\text{d}s}$表示基准累积风险函数.
2 参数概率模型的估计这一节考虑参数概率模型中未知参数α和γ的估计. 因为ξδ均服从条件伯努利分布,可以构建如下的似然函数:
${{L}_{n}}\left( \alpha \right)=\Pi _{i=1}^{n}{{\{\pi ({{V}_{i}},\alpha )\}}^{{{\xi }_{i}}}}{{\{1-\pi ({{V}_{i}},\alpha )\}}^{1-{{\xi }_{i}}}},$ (3)
${{L}_{n}}\left( \gamma \right)=\Pi _{^{i=1}}^{n}{{\{\omega ({{V}_{i}},\gamma )\}}^{{{\xi }_{i}}{{\delta }_{i}}}}{{\{1-\omega ({{V}_{i}},\gamma )\}}^{{{\xi }_{i}}(1-{{\delta }_{i}})}}.$ (4)
求解使上面似然函数达到最大的αγ,分别记为${{\hat{\alpha }}_{n}}$${{\hat{\gamma }}_{n}}$.在估计${{\hat{\gamma }}_{n}}$时,我们只用到对应ξi=1的观测数据,也即只使用了失效信息完全观察到的数据.在随机缺失条件下,由上面似然函数得到的估计方程是相合的. 下面引理给出估计的渐近正态性.
引理 2.1?若附录中的条件(C1)—(C3)成立,则有
$\begin{align} & \sqrt{n}\left( {{{\hat{\alpha }}}_{n}}-\alpha \right)=\frac{V_{\alpha }^{-1}}{\sqrt{n}}\sum\limits_{i=1}^{n}{\frac{{\pi }'\left( {{V}_{i}},\alpha \right)}{\pi \left( {{V}_{i}},\alpha \right)}}\frac{{{\xi }_{i}}-\pi \left( {{V}_{i}},\alpha \right)}{1-\pi \left( {{V}_{i}},\alpha \right)}+{{o}_{p}}\left( 1 \right), \\ & \sqrt{n}\left( {{{\hat{\gamma }}}_{n}}-\gamma \right)=\frac{V_{\gamma }^{-1}}{\sqrt{n}}\sum\limits_{i=1}^{n}{\frac{{\omega }'\left( {{V}_{i}},\gamma \right)}{\omega \left( {{V}_{i}},\gamma \right)}}\frac{{{\delta }_{i}}-\omega \left( {{V}_{i}},\gamma \right)}{1-\omega \left( {{V}_{i}},\gamma \right)}+{{o}_{p}}\left( 1 \right), \\ \end{align}$
这里
$\begin{align} & {{V}_{\alpha }}=E\left[ \frac{\pi \prime ({{V}_{i}},\alpha )}{\pi ({{V}_{i}},\alpha )}\frac{\pi \prime {{({{V}_{i}},\alpha )}^{\text{T}}}}{1-\pi ({{V}_{i}},\alpha )} \right], \\ & {{V}_{\gamma }}=E\left[ \frac{\omega \prime ({{V}_{i}},\gamma )}{\omega ({{V}_{i}},\gamma )}\frac{\omega \prime {{({{V}_{i}},\gamma )}^{\text{T}}}}{1-\omega ({{V}_{i}},\gamma )}\pi ({{V}_{i}},\alpha ) \right], \\ \end{align}$
π′(Vi)和ω′(Vi,γ)分别为π(Vi,α)和ω(Vi,γ)关于αγ的一阶导数.
3 逆概率加权估计当失效信息随机缺失时,因为有些δi是缺失的,因此估计方程(2)不能直接使用.利用逆概率加权方法,可以构建零均值的随机过程
$M_{i}^{[1]}\left( t \right)=\frac{{{\xi }_{i}}}{\pi ({{V}_{i}},\alpha )}\left[ {{N}_{i}}\left( t \right)-\int_{0}^{t}{{{Y}_{i}}\left( s \right)}\{{{\lambda }_{0}}\left( s \right)+\beta {{\prime }_{0}}{{Z}_{i}}\}\text{d}s \right],$
进一步可构建下面的估计方程组:
$\begin{align} & \sum\limits_{i=1}^{n}{\int_{0}^{\tau }{\frac{{{\xi }_{i}}}{\pi \left( {{V}_{i}},{{{\hat{\alpha }}}_{n}} \right)}}}{{Z}_{i}}\left[ \text{d}{{N}_{i}}\left( t \right)-{{Y}_{i}}\left( t \right){{{{\beta }'}}_{0}}{{Z}_{i}}\text{d}t-{{Y}_{i}}\left( t \right) \right. \\ & \left. \text{d}{{\Lambda }_{0}}\left( t \right) \right]=0, \\ \end{align}$ (5)
$\sum\limits_{i=1}^{n}{\frac{{{\xi }_{i}}}{\pi \left( {{V}_{i}},{{{\hat{\alpha }}}_{n}} \right)}}[\text{d}{{N}_{i}}\left( t \right)-{{Y}_{i}}\left( t \right){{{\beta }'}_{0}}{{Z}_{i}}\text{d}t-{{Y}_{i}}\left( t \right)\text{d}{{\Lambda }_{0}}\left( t \right)]=0,$ (6)
对任意的向量a,记${{a}^{\otimes 2}}=a{a}'$.解上述方程组,可得β0和Λ0的逆概率加权估计有如下形式:
$\begin{align} & {{{\hat{\beta }}}_{1n}}={{\left[ \sum\limits_{i=1}^{n}{\int_{0}^{\tau }{\frac{{{\xi }_{i}}}{\pi \left( {{V}_{i}},{{{\hat{\alpha }}}_{n}} \right)}}}{{Y}_{i}}\left( t \right){{\left\{ {{Z}_{i}}-{{{\bar{Z}}}^{*}}\left( t \right) \right\}}^{\otimes 2}}\text{d}t \right]}^{-1}} \\ & \sum\limits_{i=1}^{n}{\int_{0}^{\tau }{\frac{{{\xi }_{i}}}{\pi \left( {{V}_{i}},{{{\hat{\alpha }}}_{n}} \right)}}}\left\{ {{Z}_{i}}-{{{\bar{Z}}}^{*}}\left( t \right) \right\}\text{d}{{N}_{i}}\left( t \right), \\ \end{align}$ (7)
${{{\hat{\Lambda }}}_{1n}}\left( t \right)=\int\limits_{0}^{t}{\frac{\sumolimits_{i=1}^{n}{\frac{{{\xi }_{i}}}{\pi \left( {{V}_{i}},{{{\hat{\alpha }}}_{n}} \right)}\left[ \text{d}{{N}_{i}}\left( s \right)-{{Y}_{i}}\left( s \right){{{{\hat{\beta }}'}}_{1n}}{{Z}_{i}}\text{d}s \right]}}{\sumolimits_{i=1}^{n}{\frac{{{\xi }_{i}}}{\pi \left( {{V}_{i}},{{{\hat{\alpha }}}_{n}} \right)}{{Y}_{i}}\left( s \right)}}},$ (8)
其中
${{{\bar{Z}}}^{*}}\left( t \right)=\frac{\sumolimits_{i=1}^{n}{\frac{{{\xi }_{i}}}{\pi \left( {{V}_{i}},{{{\hat{\alpha }}}_{n}} \right)}{{Z}_{i}}{{Y}_{i}}\left( t \right)}}{\sumolimits_{i=1}^{n}{\frac{{{\xi }_{i}}}{\pi \left( {{V}_{i}},{{{\hat{\alpha }}}_{n}} \right)}{{Y}_{i}}\left( s \right)}}$
首先给出${{\hat{\beta }}_{1n}}$的渐近正态性.
定理3.1?若附录中条件(C1)—(C5)成立,那么
$\sqrt{n}\left( {{{\hat{\beta }}}_{1n}}-{{\beta }_{0}} \right)={{A}^{-1}}\left( {{n}^{-1/2}}\sum\limits_{i=1}^{n}{{{\phi }_{1i}}} \right)+{{o}_{p}}\left( 1 \right).$
其中
$\begin{align} & A=E[\int\limits_{0}^{\tau }{{{Y}_{i}}\left( t \right){{\{{{Z}_{i}}-\bar{z}\left( t \right)\}}^{\otimes 2}}\text{d}t]}, \\ & \bar{z}\left( t \right)=E[{{Z}_{i}}{{Y}_{i}}\left( t \right)\left] /E \right[{{Y}_{i}}\left( t \right)], \\ & {{\phi }_{1i}}=\int\limits_{0}^{\tau }{\frac{{{\xi }_{i}}}{\pi ({{V}_{i}},\alpha )}}\{{{Z}_{i}}-\bar{z}\left( t \right)\}\text{d}{{M}_{i}}\left( t \right)+{{B}_{1\alpha }}V_{_{\alpha }}^{-1}{{S}_{\alpha i}}, \\ & {{B}_{1\alpha }}=E[-\int\limits_{0}^{\tau }{\{{{Z}_{i}}-\bar{z}\left( t \right)\}}\frac{{{\xi }_{i}}\pi \prime {{({{V}_{i}},\alpha )}^{\text{T}}}}{{{\pi }^{2}}({{V}_{i}},\alpha )}\text{d}{{M}_{i}}\left( t \right)], \\ & {{S}_{\alpha i}}=\frac{\pi \prime ({{V}_{i}},\alpha )}{\pi ({{V}_{i}},\alpha )}\frac{{{\xi }_{i}}-\pi ({{V}_{i}},\alpha )}{1-\pi ({{V}_{i}},\alpha )}. \\ \end{align}$
根据定理3.1,由中心极限定理可知$\sqrt{n}\left( {{{\hat{\beta }}}_{1n}}-{{\beta }_{0}} \right)$依分布收敛于均值为0、 协方差矩阵为${{A}^{-1}}E({{\phi }_{1i}}\phi _{1i}^{T}){{({{A}^{-1}})}^{\text{T}}}$的正态分布.
采用传统的plug-in方法,可得到渐近方差${{A}^{-1}}E({{\phi }_{1i}}\phi _{1i}^{T}){{({{A}^{-1}})}^{\text{T}}}$的相合估计为${{A}^{-1}}(\frac{1}{n}\sum\limits_{i-1}^{n}{{{{\hat{\phi }}}_{1i}}\hat{\phi }_{1i}^{T}}){{({{\hat{A}}^{-1}})}^{\text{T}}}$,其中
$\begin{align} & \hat{A}=\frac{1}{n}\int\limits_{0}^{\tau }{{{Y}_{i}}\left( t \right){{\left\{ {{Z}_{i}}-\bar{Z}\left( t \right) \right\}}^{\otimes 2}}\text{d}t,} \\ & {{{\hat{\phi }}}_{1i}}=\int\limits_{0}^{\tau }{\frac{{{\xi }_{i}}}{\pi \left( {{V}_{i}},{{{\hat{\alpha }}}_{n}} \right)}\left\{ {{Z}_{i}}-\bar{Z}\left( t \right) \right\}}\left[ \text{d}{{N}_{i}}\left( t \right)-{{Y}_{i}}\left( t \right) \right. \\ & \left. \left( \text{d}{{{\hat{\Lambda }}}_{1n}}\left( t \right)+{{{{\hat{\beta }}'}}_{1n}}{{Z}_{i}}\text{d}t \right) \right]+{{{{\hat{B}}'}}_{1n}}\hat{V}_{\alpha }^{-1}{{{\hat{S}}}_{\alpha i}}, \\ & {{{\hat{B}}}_{1\alpha }}=\frac{1}{n}\sum\limits_{i=1}^{n}{\left[ -\int\limits_{0}^{\tau }{\left\{ {{Z}_{i}}-\bar{Z}\left( t \right) \right\}}\frac{{{\xi }_{i}}{\pi }'{{\left( {{V}_{i}},{{{\hat{\alpha }}}_{n}} \right)}^{\text{T}}}}{{{\pi }^{2}}\left( {{V}_{i}},{{{\hat{\alpha }}}_{n}} \right)} \right.} \\ & \left. \left\{ \text{d}{{N}_{i}}\left( t \right)-{{Y}_{i}}\left( t \right)\left( \text{d}{{{\hat{\Lambda }}}_{1n}}\left( t \right)+{{{{\hat{\beta }}'}}_{1n}}{{Z}_{i}}\text{d}t \right) \right\} \right], \\ & {{{\hat{V}}}_{\alpha }}=\frac{1}{n}\sum\limits_{i=1}^{n}{\left[ \frac{{\pi }'\left( {{V}_{i}},{{{\hat{\alpha }}}_{n}} \right)}{\pi \left( {{V}_{i}},{{{\hat{\alpha }}}_{n}} \right)}\frac{{\pi }'{{\left( {{V}_{i}},{{{\hat{\alpha }}}_{n}} \right)}^{\text{T}}}}{1-\pi \left( {{V}_{i}},{{{\hat{\alpha }}}_{n}} \right)} \right]}, \\ & {{{\hat{S}}}_{\alpha i}}=\frac{{\pi }'\left( {{V}_{i}},{{{\hat{\alpha }}}_{n}} \right)}{\pi \left( {{V}_{i}},{{{\hat{\alpha }}}_{n}} \right)}\frac{{{\xi }_{i}}-\pi \left( {{V}_{i}},{{{\hat{\alpha }}}_{n}} \right)}{1-\pi \left( {{V}_{i}},{{{\hat{\alpha }}}_{n}} \right)}. \\ \end{align}$
下面考察${{\hat{\Lambda }}_{1n}}\left( t \right)$的渐近正态性.
定理3.2?在定理3.1成立的条件下,有
$\sqrt{n}\left( {{{\hat{\Lambda }}}_{1n}}\left( t \right)-{{\Lambda }_{0}}\left( t \right) \right)={{n}^{-1/2}}\sum\limits_{i=1}^{n}{{{\psi }_{1i}}\left( t \right)+{{o}_{p}}\left( 1 \right),}$
其中
$\begin{align} & {{\psi }_{1i}}\left( t \right)=\int\limits_{0}^{t}{\frac{\frac{{{\xi }_{i}}}{\pi \left( {{V}_{i}},\alpha \right)}\text{d}{{M}_{i}}\left( s \right)}{\mu \left( s \right)}}-C{{\left( t \right)}^{\text{T}}}{{A}^{-1}}{{\phi }_{1i}}-{{D}_{1\alpha }}\left( t \right)V_{\alpha }^{-1}{{S}_{\alpha i}}, \\ & \mu \left( t \right)=E\left[ {{Y}_{i}}\left( t \right) \right],C\left( t \right)=\int\limits_{0}^{t}{\bar{z}\left( s \right)\text{d}s}, \\ & {{D}_{1\alpha }}\left( t \right)=E\left[ \int_{0}^{t}{\frac{{{\xi }_{i}}{\pi }'{{\left( {{V}_{i}},\alpha \right)}^{\text{T}}}}{{{\pi }^{2}}\left( {{V}_{i}},\alpha \right)\mu \left( s \right)}\text{d}M\left( s \right)} \right]. \\ \end{align}$
根据定理3.2,$\sqrt{n}\left( {{{\hat{\Lambda }}}_{1n}}\left( t \right)-{{\Lambda }_{0}}\left( t \right) \right)$依分布收敛于一个均值为0的高斯过程,且在(s,t)的渐近协方差函数为E(ψ1i(s)ψ1i(t)).易得E(ψ1i(s)ψ1i(t))的相合估计为$\frac{1}{n}\sum\limits_{i=1}^{n}{\left( {{{\hat{\psi }}}_{1i}}\left( s \right){{{\hat{\psi }}}_{1i}}\left( t \right) \right)}$其中
$\begin{align} & {{{\hat{\psi }}}_{1i}}\left( t \right)= \\ & \int\limits_{0}^{t}{\frac{\frac{{{\xi }_{i}}}{\pi \left( {{V}_{i}},{{{\hat{\alpha }}}_{n}} \right)}\left[ \text{d}{{N}_{i}}\left( s \right)-{{Y}_{i}}\left( s \right)\left\{ \text{d}{{{\hat{\Lambda }}}_{1n}}\left( s \right)+{{{{\hat{\beta }}'}}_{1n}}{{Z}_{i}}\text{d}s \right\} \right]}{\frac{1}{n}\sumolimits_{i=1}^{n}{{{Y}_{i}}\left( s \right)}}}- \\ & \hat{C}\left( t \right)=\int\limits_{0}^{t}{\bar{Z}\left( s \right)\text{d}s,\hat{\mu }\left( t \right)=\frac{1}{n}\sum\limits_{i=1}^{n}{{{Y}_{i}}\left( t \right)}}, \\ & {{{\hat{D}}}_{1\alpha }}\left( t \right)=\frac{1}{n}\sum\limits_{i=1}^{n}{\left[ \int\limits_{0}^{t}{\frac{{{\xi }_{i}}{\pi }'{{\left( {{V}_{i}},{{{\hat{\alpha }}}_{n}} \right)}^{\text{T}}}}{{{\pi }^{2}}\left( {{V}_{i}},{{{\hat{\alpha }}}_{n}} \right)\hat{\mu }\left( s \right)}}\left\{ \text{d}{{N}_{i}}\left( s \right)- \right. \right.} \\ & \left. {{Y}_{i}}\left( s \right)\left( \text{d}{{{\hat{\Lambda }}}_{1n}}\left( s \right)+{{{{\hat{\beta }}'}}_{1n}}{{Z}_{i}}\text{d}s \right) \right\}. \\ \end{align}$
4 增广加权估计上面构建的逆概率加权估计只用到了完全观测样本(对应ξi=1的个体)的信息.忽略不完全观测样本(ξi=0 的个体)可能会使结果的有效性降低.尤其当缺失比率较高时,这种现象更为严重. 注意到
$\begin{align} & M_{i}^{\left[ 2 \right]}\left( t \right)=\frac{{{\xi }_{i}}}{\pi \left( {{V}_{i}},\alpha \right)}{{N}_{i}}\left( t \right)+ \\ & \left( 1-\frac{{{\xi }_{i}}}{\pi \left( {{V}_{i}},\alpha \right)} \right)\omega \left( {{V}_{i}},\gamma \right)N_{i}^{u}\left( t \right)- \\ & \int\limits_{0}^{t}{{{Y}_{i}}\left( s \right)\left\{ {{\lambda }_{0}}\left( s \right)+{{{{\beta }'}}_{0}}{{Z}_{i}} \right\}}\text{d}s, \\ \end{align}$
是零均值的随机过程.
考虑下面的关于β0和Λ0的增广加权估计方程:
$\begin{align} & \sum\limits_{i=1}^{n}{\int_{0}^{\tau }{{{Z}_{i}}\left[ \frac{{{\xi }_{i}}}{\pi \left( {{V}_{i}},{{{\hat{\alpha }}}_{n}} \right)}\text{d}{{N}_{i}}\left( t \right)+\left( 1-\frac{{{\xi }_{i}}}{\pi \left( {{V}_{i}},{{{\hat{\alpha }}}_{n}} \right)} \right)\omega \left( {{V}_{i}},{{{\hat{\gamma }}}_{n}} \right) \right.}} \\ & \left. \text{d}N_{i}^{u}\left( t \right)-{{Y}_{i}}\left( t \right){{{{\beta }'}}_{0}}{{Z}_{i}}\text{d}t-{{Y}_{i}}\left( t \right)\text{d}{{\Lambda }_{0}}\left( t \right) \right]=0, \\ \end{align}$ (9)
$\begin{align} & \sum\limits_{i=1}^{n}{\left[ \frac{{{\xi }_{i}}}{\pi \left( {{V}_{i}},{{{\hat{\alpha }}}_{n}} \right)}\text{d}{{N}_{i}}\left( t \right)+\left( 1-\frac{{{\xi }_{i}}}{\pi \left( {{V}_{i}},{{{\hat{\alpha }}}_{n}} \right)} \right)\omega \left( {{V}_{i}},{{{\hat{\gamma }}}_{n}} \right) \right.} \\ & \left. \text{d}N_{i}^{u}\left( t \right)-{{Y}_{i}}\left( t \right){{{{\beta }'}}_{0}}{{Z}_{i}}\text{d}t-{{Y}_{i}}\left( t \right)\text{d}{{\Lambda }_{0}}\left( t \right) \right]=0, \\ \end{align}$ (10)
解上述方程组,可得β0和Λ0的增广加权估计有如下形式:
$\begin{align} & {{{\hat{\beta }}}_{2n}}={{\left[ \sum\limits_{i=1}^{n}{\int_{0}^{\tau }{{{Y}_{i}}\left( t \right){{\left\{ {{Z}_{i}}-\bar{Z}\left( t \right) \right\}}^{\otimes 2}}\text{d}t}} \right]}^{-1}} \\ & \sum\limits_{i=1}^{n}{\int_{0}^{\tau }{\left\{ {{Z}_{i}}-\bar{Z}\left( t \right) \right\}}}\left[ \frac{{{\xi }_{i}}}{\pi \left( {{V}_{i}},{{{\hat{\alpha }}}_{n}} \right)}\text{d}{{N}_{i}}\left( t \right)+ \right. \\ & \left. \left( 1-\frac{{{\xi }_{i}}}{\pi \left( {{V}_{i}},{{{\hat{\alpha }}}_{n}} \right)} \right)\omega \left( {{V}_{i}},{{{\hat{\gamma }}}_{n}} \right)\text{d}N_{i}^{u}\left( t \right) \right], \\ \end{align}$ (11)
$\begin{align} & {{{\hat{\Lambda }}}_{2n}}\left( t \right)=\int\limits_{0}^{t}{\sum\limits_{i=1}^{n}{\left\{ \frac{{{\xi }_{i}}}{\pi \left( {{V}_{i}},{{{\hat{\alpha }}}_{n}} \right)}\text{d}{{N}_{i}}\left( s \right)+ \right.}}\left( 1-\frac{{{\xi }_{i}}}{\pi \left( {{V}_{i}},{{{\hat{\alpha }}}_{n}} \right)} \right) \\ & \left. \omega \left( {{V}_{i}},{{{\hat{\gamma }}}_{n}} \right)\text{d}N_{i}^{u}\left( s \right)-{{Y}_{i}}\left( s \right){{{{\hat{\beta }}'}}_{2n}}{{Z}_{i}}\text{d}s \right\}/\sum\limits_{i=1}^{n}{{{Y}_{i}}\left( s \right)}. \\ \end{align}$ (12)
我们给出记号:
$\begin{align} & {{S}_{\gamma i}}=\frac{{\omega }'\left( {{V}_{i}},\gamma \right)}{\omega \left( {{V}_{i}},\gamma \right)}\frac{{{\delta }_{i}}-\omega \left( {{V}_{i}},\gamma \right)}{1-\omega \left( {{V}_{i}},\gamma \right)}{{\xi }_{i}}, \\ & {{\phi }_{2i}}=\int\limits_{0}^{\tau }{\left\{ {{Z}_{i}}-\bar{z}\left( t \right) \right\}\text{d}M_{i}^{\left[ 2 \right]}\left( t \right)+{{B}_{2\alpha }}V_{\alpha }^{-1}{{S}_{\alpha i}}+{{B}_{2\gamma }}V_{\gamma }^{-1}{{S}_{\gamma i}}} \\ & {{B}_{2\alpha }}=E\left[ \int_{0}^{\tau }{\left\{ {{Z}_{i}}-\bar{z}\left( t \right) \right\}\frac{{{\xi }_{i}}{\pi }'{{\left( {{V}_{i}},\alpha \right)}^{\text{T}}}}{{{\pi }^{2}}\left( {{V}_{i}},\alpha \right)}\left( \omega \left( {{V}_{i}},\gamma \right)-{{\delta }_{i}} \right)\text{d}N_{i}^{u}\left( t \right)} \right], \\ & {{B}_{2\gamma }}=E\left[ \int_{0}^{\tau }{\left\{ {{Z}_{i}}-\bar{z}\left( t \right) \right\}\left( 1-\frac{{{\xi }_{i}}}{\pi \left( {{V}_{i}},\alpha \right)} \right){\omega }'{{\left( {{V}_{i}},\gamma \right)}^{\text{T}}}\text{d}N_{i}^{u}\left( t \right)} \right]. \\ \end{align}$
下面定理给出${{\hat{\beta }}_{2n}}$的渐近正态性.
定理4.1?在定理3.1成立的条件下,
$\sqrt{n}\left( {{{\hat{\beta }}}_{2n}}-{{\beta }_{0}} \right)={{A}^{-1}}\left( {{n}^{-1/2}}\sum\limits_{i=1}^{n}{{{\phi }_{2i}}} \right)+{{o}_{p}}\left( 1 \right).$
由定理4.1可得$\sqrt{n}\left( {{{\hat{\beta }}}_{2n}}-{{\beta }_{0}} \right)$依分布收敛于均值为0、协方差矩阵为${{A}^{-1}}E\left( {{\phi }_{2i}}\phi _{2i}^{\text{T}} \right){{\left( {{A}^{-1}} \right)}^{\text{T}}}$的正态分布. 我们可以给出渐近方差${{A}^{-1}}E\left( {{\phi }_{2i}}\phi _{2i}^{\text{T}} \right){{\left( {{A}^{-1}} \right)}^{\text{T}}}$的相合估计:${{A}^{-1}}\left( \frac{1}{n}\sum\limits_{i=1}^{n}{{{{\hat{\phi }}}_{2i}}\hat{\phi }_{2i}^{\text{T}}} \right){{\left( {{{\hat{A}}}^{-1}} \right)}^{\text{T}}}$,其中
$\begin{align} & {{{\hat{\phi }}}_{2i}}=\int\limits_{0}^{\tau }{\left\{ {{z}_{i}}-\bar{z}\left( t \right) \right\}\left[ \frac{{{\xi }_{i}}}{\pi \left( {{V}_{i}},{{{\hat{\alpha }}}_{n}} \right)}\text{d}{{N}_{i}}\left( t \right)+\left( 1-\frac{{{\xi }_{i}}}{\pi \left( {{V}_{i}},{{{\hat{\alpha }}}_{n}} \right)} \right) \right.} \\ & \left. \omega \left( {{V}_{i}},{{{\hat{\gamma }}}_{n}} \right)\text{d}N_{i}^{u}\left( t \right)-{{Y}_{i}}\left( t \right)\left( \text{d}{{{\hat{\Lambda }}}_{2n}}\left( t \right)+{{{{\hat{\beta }}'}}_{2n}}{{Z}_{i}}\text{d}t \right) \right]+ \\ & {{{\hat{B}}}_{2\alpha }}\hat{V}_{\alpha }^{-1}{{{\hat{S}}}_{\alpha i}}+{{{\hat{B}}}_{2\gamma }}\hat{V}_{\gamma }^{-1}{{{\hat{S}}}_{\gamma i}}, \\ & {{{\hat{B}}}_{2\alpha }}=\frac{1}{n}\sum\limits_{i=1}^{n}{\left[ \int\limits_{0}^{\tau }{\left\{ {{Z}_{i}}-\bar{Z}\left( t \right) \right\}\frac{{{\xi }_{i}}{\pi }'{{\left( {{V}_{i}},{{{\hat{\alpha }}}_{n}} \right)}^{\text{T}}}}{{{\pi }^{2}}\left( {{V}_{i}},{{{\hat{\alpha }}}_{n}} \right)}} \right.} \\ & \left. \left( \omega \left( {{V}_{i}},{{{\hat{\gamma }}}_{n}} \right)-{{\delta }_{i}} \right)\text{d}N_{i}^{u}\left( t \right) \right], \\ \end{align}$
$\begin{align} & {{{\hat{B}}}_{2\gamma }}=\frac{1}{n}\sum\limits_{i=1}^{n}{\int\limits_{0}^{\tau }{\left\{ {{Z}_{i}}-\bar{Z}\left( t \right) \right\}\left( 1-\frac{{{\xi }_{i}}}{\pi \left( {{V}_{i}},{{{\hat{\alpha }}}_{n}} \right)} \right)}} \\ & \left. {\omega }'{{\left( {{V}_{i}}{{{\hat{\gamma }}}_{n}} \right)}^{\text{T}}}\text{d}N_{i}^{u}\left( t \right) \right], \\ & {{{\hat{V}}}_{\gamma }}=\frac{1}{n}\sum\limits_{i=1}^{n}{\left[ \frac{{\omega }'\left( {{V}_{i}},{{{\hat{\gamma }}}_{n}} \right)}{\omega \left( {{V}_{i}},{{{\hat{\gamma }}}_{n}} \right)}\frac{{\omega }'{{\left( {{V}_{i}},{{{\hat{\gamma }}}_{n}} \right)}^{\text{T}}}}{1-\omega \left( {{V}_{i}},{{{\hat{\gamma }}}_{n}} \right)}\pi \left( {{V}_{i}},{{{\hat{\alpha }}}_{n}} \right) \right]}, \\ & {{{\hat{S}}}_{\gamma i}}=\frac{{\omega }'\left( {{V}_{i}},{{{\hat{\gamma }}}_{n}} \right)}{\omega \left( {{V}_{i}},{{{\hat{\gamma }}}_{n}} \right)}\frac{{{\delta }_{i}}-\omega \left( {{V}_{i}},{{{\hat{\gamma }}}_{n}} \right)}{1-\omega \left( {{V}_{i}},{{{\hat{\gamma }}}_{n}} \right)}{{\xi }_{i}}. \\ \end{align}$
下面的定理4.2给出${{{\hat{\Lambda }}}_{2n}}\left( t \right)$的渐近性质.
定理4.2?在定理3.1成立的条件下,有
$\sqrt{n}\left( {{{\hat{\Lambda }}}_{2n}}\left( t \right)-{{\Lambda }_{0}}\left( t \right) \right)={{n}^{-1/2}}\sum\limits_{i=1}^{n}{{{\psi }_{2i}}\left( t \right)}+{{o}_{p}}\left( 1 \right),$
其中
$\begin{align} & {{\psi }_{2i}}\left( t \right)=\int\limits_{0}^{t}{\frac{\text{d}M_{i}^{\left[ 2 \right]}\left( s \right)}{\mu \left( s \right)}}-C{{\left( t \right)}^{\text{T}}}{{A}^{-1}}{{\phi }_{2i}}+ \\ & {{D}_{2\alpha }}\left( t \right)V_{\alpha }^{-1}{{S}_{\alpha i}}+{{D}_{2\gamma }}\left( t \right)V_{\gamma }^{-1}{{S}_{\gamma i}}, \\ & {{D}_{2\alpha }}\left( t \right)=E\left[ \int\limits_{0}^{t}{\frac{{{\xi }_{i}}{\pi }'{{\left( {{V}_{i}},\alpha \right)}^{\text{T}}}}{{{\pi }^{2}}\left( {{V}_{i}},\alpha \right)\mu \left( s \right)}\left( \omega \left( {{V}_{i}},\gamma \right)-{{\delta }_{i}} \right)\text{d}N_{i}^{u}\left( s \right)} \right], \\ & {{D}_{2\gamma }}\left( t \right)=E\left[ \int\limits_{0}^{t}{\left( 1-\frac{{{\xi }_{i}}}{\pi \left( {{V}_{i}},\alpha \right)} \right)\frac{{\omega }'{{\left( {{V}_{i}},\gamma \right)}^{\text{T}}}}{\mu \left( s \right)}\text{d}N_{i}^{u}\left( s \right)} \right]. \\ \end{align}$
由定理4.2,进一步可得到$\sqrt{n}\left( {{{\hat{\Lambda }}}_{2n}}\left( t \right)-{{\Lambda }_{0}}\left( t \right) \right)$依分布收敛于一个均值为0的高斯过程,且在(s,t)的渐近协方差函数为E(ψ2i(s)ψ2i(t)).我们给出E(ψ2i(s)ψi(t))的相合估计$\frac{1}{n}\sum\limits_{i=1}^{n}{\left( {{{\hat{\psi }}}_{2i}}\left( s \right){{{\hat{\psi }}}_{2i}}\left( t \right) \right)}$,其中
$\begin{align} & {{{\hat{\psi }}}_{2i}}\left( t \right)=\int\limits_{0}^{t}{\left\{ \frac{{{\xi }_{i}}}{\pi \left( {{V}_{i}},{{{\hat{\alpha }}}_{n}} \right)}\text{d}{{N}_{i}}\left( s \right)+\left( 1-\frac{{{\xi }_{i}}}{\pi \left( {{V}_{i}},{{{\hat{\alpha }}}_{n}} \right)} \right) \right.} \\ & \omega \left( {{V}_{i}},{{{\hat{\gamma }}}_{n}} \right)\text{d}N_{i}^{u}\left( s \right)-{{Y}_{i}}\left( s \right)\left\{ \text{d}{{{\hat{\Lambda }}}_{2n}}\left( s \right)+ \right. \\ & \left. \left. {{{{\hat{\beta }}'}}_{2n}}{{Z}_{i}}\text{d}s \right\} \right\}/\left\{ \frac{1}{n}\sum\limits_{i=1}^{n}{{{Y}_{i}}\left( s \right)} \right\}- \\ & \hat{C}{{\left( t \right)}^{\text{T}}}{{{\hat{A}}}^{-1}}{{{\hat{\phi }}}_{2i}}+{{{\hat{D}}}_{2\alpha }}\left( t \right)\hat{V}_{\alpha }^{-1}{{{\hat{S}}}_{\alpha i}}+ \\ & {{{\hat{D}}}_{2\gamma }}\left( t \right)\hat{V}_{\gamma }^{-1}{{{\hat{S}}}_{\gamma i}}, \\ \end{align}$
$\begin{align} & {{{\hat{D}}}_{2\alpha }}\left( t \right)=\frac{1}{n}\sum\limits_{i=1}^{n}{\left[ \int\limits_{0}^{t}{\frac{{{\xi }_{i}}{\pi }'{{\left( {{V}_{i}},{{{\hat{\alpha }}}_{n}} \right)}^{\text{T}}}}{{{\pi }^{2}}\left( {{V}_{i}},{{{\hat{\alpha }}}_{n}} \right)\hat{\mu }\left( s \right)}\left( \omega \left( {{V}_{i}},{{{\hat{\gamma }}}_{n}} \right)-{{\delta }_{i}} \right)\text{d}N_{i}^{u}\left( s \right)} \right]}, \\ & {{{\hat{D}}}_{2\gamma }}\left( t \right)=\frac{1}{n}\sum\limits_{i=1}^{n}{\left[ \int\limits_{0}^{t}{\left( 1-\frac{{{\xi }_{i}}}{\pi \left( {{V}_{i}},{{{\hat{\alpha }}}_{n}} \right)} \right)\frac{{\omega }'{{\left( {{V}_{i}},{{{\hat{\gamma }}}_{n}} \right)}^{\text{T}}}}{\hat{\mu }\left( s \right)}}\text{d}N_{i}^{u}\left( s \right) \right]}. \\ \end{align}$
5 基于模型的插补估计在处理缺失数据时,插补是一种常用的方法.下面考虑一种基于模型的插补方法. 当ξi=1,I(Xit,δi=1)=δiI(Xit)是可以观察到的.但是ξi=0时,因为δi的值缺失了,因此I(Xit,δi=1)无法由观察数据得到.此时,对δi用其条件均值ω(Vi,γ)替代,以此得到下面零均值的随机过程
$\begin{align} & M_{i}^{\left[ 3 \right]}\left( t \right)={{\xi }_{i}}{{N}_{i}}\left( t \right)+\left( 1-{{\xi }_{i}} \right)\omega \left( {{V}_{i}},\gamma \right)N_{i}^{u}\left( t \right)- \\ & \int\limits_{0}^{t}{{{Y}_{i}}\left( s \right)\left\{ {{\lambda }_{0}}\left( s \right)+{{{{\beta }'}}_{0}}{{Z}_{i}} \right\}\text{d}s,} \\ \end{align}$
那么可得如下关于β0和Λ0的估计方程:
$\begin{align} & \sum\limits_{i=1}^{n}{\int_{0}^{\tau }{{{Z}_{i}}\left[ {{\xi }_{i}}\text{d}{{N}_{i}}(t)+(1-{{\xi }_{i}})\omega ({{V}_{i}},{{{\hat{\gamma }}}_{n}})\text{d}N_{i}^{u}(t)- \right.}} \\ & \left. {{Y}_{i}}\left( t \right){{{{\beta }'}}_{0}}{{Z}_{i}}\text{d}t-{{Y}_{i}}\left( t \right)\text{d}{{\Lambda }_{0}}\left( t \right) \right]=0, \\ \end{align}$ (13)
$\begin{align} & \sum\limits_{i=1}^{n}{\left[ {{\xi }_{i}}\text{d}{{N}_{i}}\left( t \right)+\left( 1-{{\xi }_{i}} \right)\omega \left( {{V}_{i}},{{{\hat{\gamma }}}_{n}} \right) \right.\text{d}N_{i}^{u}\left( t \right)-} \\ & \left. {{Y}_{i}}\left( t \right){{{{\beta }'}}_{0}}{{Z}_{i}}\text{d}t-{{Y}_{i}}\left( t \right)\text{d}{{\Lambda }_{0}}\left( t \right) \right]=0, \\ \end{align}$ (14)
解上述方程组,可得β0和Λ0的基于模型的插补估计有如下形式:
$\begin{align} & {{{\hat{\beta }}}_{3n}}={{\left[ \sum\limits_{i=1}^{n}{\int_{0}^{\tau }{{{Y}_{i}}\left( t \right){{\left\{ {{Z}_{i}}-\bar{Z}\left( t \right) \right\}}^{\otimes 2}}\text{d}t}} \right]}^{-1}}\sum\limits_{i=1}^{n}{\int_{0}^{\tau }{\left\{ {{Z}_{i}}- \right.}} \\ & \left. \bar{Z}\left( t \right) \right\}\left[ {{\xi }_{i}}\text{d}{{N}_{i}}\left( t \right)+\left( 1-{{\xi }_{i}} \right)\omega \right. \\ & \left. \left( {{V}_{i}},{{{\hat{\gamma }}}_{n}} \right)\text{d}N_{i}^{u}\left( t \right) \right], \\ \end{align}$ (15)
$\begin{align} & {{{\hat{\Lambda }}}_{3n}}\left( t \right)=\int\limits_{0}^{t}{\left\{ \sum\limits_{i=1}^{n}{{{\xi }_{i}}\text{d}{{N}_{i}}\left( s \right)+\left( 1-{{\xi }_{i}} \right)\omega \left( {{V}_{i}},{{{\hat{\gamma }}}_{n}} \right)\text{d}N_{i}^{u}\left( s \right)} \right.}- \\ & \left. {{Y}_{i}}\left( s \right){{{{\hat{\beta }}'}}_{3n}}{{Z}_{i}}\text{d}s \right\}/\sum\limits_{i=1}^{n}{{{Y}_{i}}\left( s \right)}. \\ \end{align}$ (16)
与定理4.1和定理4.2相似,${{\hat{\beta }}_{3n}}$${{\hat{\Lambda }}_{3n}}\left( t \right)$的渐近性质由下面的定理给出.
定理5.1?在定理3.1成立的条件下,我们有
$\begin{align} & \sqrt{n}\left( {{{\hat{\beta }}}_{3n}}-{{\beta }_{0}} \right)={{A}^{-1}}\left( {{n}^{-1/2}}\sum\limits_{i=1}^{n}{{{\phi }_{3i}}} \right)+{{o}_{p}}\left( 1 \right), \\ & \sqrt{n}\left( {{{\hat{\Lambda }}}_{3n}}\left( t \right)-{{\Lambda }_{0}}\left( t \right) \right)={{n}^{-1/2}}\sum\limits_{i=1}^{n}{{{\psi }_{3i}}\left( t \right)+{{o}_{p}}\left( 1 \right),} \\ \end{align}$
其中
$\begin{align} & {{\phi }_{3i}}=\int\limits_{0}^{\tau }{\left\{ {{Z}_{i}}-\bar{z}\left( t \right) \right\}}\text{d}M_{i}^{\left[ 3 \right]}\left( t \right)+{{B}_{3\gamma }}V_{\gamma }^{-1}{{S}_{\gamma i}}, \\ & {{B}_{3\gamma }}=E\left[ \int_{0}^{\tau }{\left\{ {{Z}_{i}}-\bar{z}\left( t \right) \right\}\left( 1-{{\xi }_{i}} \right)}{\omega }'{{\left( {{V}_{i}},\gamma \right)}^{\text{T}}}\text{d}N_{i}^{u}\left( t \right) \right], \\ & {{\psi }_{3i}}\left( t \right)=\int\limits_{0}^{t}{\frac{\text{d}M_{i}^{\left[ 3 \right]}\left( s \right)}{\mu \left( s \right)}-C{{\left( t \right)}^{\text{T}}}{{A}^{-1}}{{\phi }_{3i}}+{{D}_{3\gamma }}\left( t \right)V_{\gamma }^{-1}}{{S}_{\gamma i}}, \\ & {{D}_{3\gamma }}\left( t \right)=E\left[ \int\limits_{0}^{t}{\left( 1-{{\xi }_{i}} \right)\frac{{\omega }'{{\left( {{V}_{i}},\gamma \right)}^{\text{T}}}}{\mu \left( s \right)}\text{d}N_{i}^{u}\left( s \right)} \right]. \\ \end{align}$
由定理5.1可得$\sqrt{n}\left( {{{\hat{\beta }}}_{3n}}-{{\beta }_{0}} \right)$依分布收敛于均值为0、协方差矩阵为${{A}^{-1}}E\left( {{\phi }_{^{3i}}}\phi _{3i}^{\text{T}} \right){{\left( {{A}^{-1}} \right)}^{\text{T}}}$的正态分布,$\sqrt{n}\left( {{{\hat{\Lambda }}}_{3n}}\left( t \right)-{{\Lambda }_{0}}\left( t \right) \right)$依分布收敛于均值为0、在(s,t) 的渐近协方差函数为E(ψ3i(s)ψ3i(t))的高斯过程,与前面类似的讨论即可得到其渐近方差和渐近协方差函数的相合估计.
6 数值模拟和实例分析6.1 数值模拟本节通过数值模拟对回归参数β0的3个估计结果${{\hat{\beta }}_{1n}},{{\hat{\beta }}_{2n}}$$的有限样本性质进行研究. 对考虑的可加危险率模型λ(t|Z)=λ0(t)+β0Z,基准风险函数取为λ0(t)≡0.5,回归系数β0=1. 协变量考虑2种情形:Z~Uniform(0,2)和Z~Bernoulli(0.5). 由可加危险率模型λ(t|Z)=λ0(t)+β0Z,根据风险函数和密度函数的关系,可以生成生存时间变量Ti,i=1,2,…,n. 假定删失时间变量C的风险函数为(λ0(t)+β0Z)/exp(γ1Z+γ2),并据此生成删失时间变量Ci,i=1,2,…,n. 样本量n取为100和200.
设定响应概率模型P{ξi=1|Vi}=π(Vi,α)的参数形式为
$\pi \left( {{V}_{i}}\alpha \right)=\frac{\exp \left( {{{{\alpha }'}}_{1}}{{V}_{i}}+{{\alpha }_{2}} \right)}{1-\exp \left( {{{{\alpha }'}}_{1}}{{V}_{i}}+{{\alpha }_{2}} \right)}.$
考虑到$\omega \left( v,\gamma \right)=\frac{{{\lambda }_{t}}}{{{\lambda }_{t}}+{{\lambda }_{c}}}$,其中λtλc分别表示TC的风险函数,因此可求得
$P\left\{ {{\delta }_{i}}=1|{{X}_{i}},{{Z}_{i}} \right\}=\omega \left( {{V}_{i}},\gamma \right)=\frac{\exp \left( {{\gamma }_{1}}{{Z}_{i}}+{{\gamma }_{2}} \right)}{1+\exp \left( {{\gamma }_{1}}{{Z}_{i}}+{{\gamma }_{2}} \right)},$
考虑不同的删失率和缺失率,这通过取不同的参数的值达到.参数不同的取值以及相应的删失率和缺失率详见表 1.
Table 1
表 1 模型参数设置Table 1 Parametric model settings
删失率缺失率
20%40%
αγαγ
Z~Uniform(0,2)
20%[1.50,-0.71]’ [1.00,0.48]’ [0.50,-0.38]’ [1.00,0.48]’
40%[0.50,0.70]’[1.00,-0.56]’[0.50,-0.30]’[1.00,-0.56]’
Z~Bernoulli(0.5)
20%[1.00,0.15]’[2.00,0.68]’[0.50,-0.25]’[2.00,0.68]’
40%[0.50,0.90]’[2.00,-0.49]’[0.50,-0.16]’[2.00,-0.49]’

表 1 模型参数设置Table 1 Parametric model settings

基于1 000次重复模拟的结果,计算所提的回归参数β的3种估计的偏差(BIAS),样本标准差(SSE),估计的标准差(ESE)和基于正态近似的95%的覆盖率(CP). 我们也给出文献[12-13]所提估计的偏差,样本标准差,估计的标准差和基于正态近似的95%的覆盖率,具体结果列于表 2表 3.
Table 2
表 2 Z~Uniform(0,2)时的模拟结果Table 2 Simulation results when Z~Uniform(0,2)
删失率估计缺失率
20%40%
BIASSSEESECPBIASSSEESECP
n=100
20%${{\hat{\beta }}_{1}}$0.015 20.325 20.348 90.962 00.025 00.374 00.488 00.977 0
${{\hat{\beta }}_{2}}$0.008 60.304 80.299 20.946 00.021 90.317 70.302 30.935 0
${{\hat{\beta }}_{3}}$0.012 50.286 30.292 40.952 00.021 90.289 90.298 90.948 0
$\hat{\beta }_{1}^{\left[ S \right]}$0.053 30.313 40.381 70.983 00.053 30.365 00.438 80.979 0
$\hat{\beta }_{2}^{\left[ S \right]}$0.060 90.305 70.381 70.987 00.007 10.312 60.438 80.983 0
$\hat{\beta }_{3}^{\left[ Q \right]}$0.148 10.289 80.375 10.988 0-0.065 00.276 60.374 70.977 0
40%${{\hat{\beta }}_{1}}$0.044 00.383 30.445 60.975 00.035 10.441 60.618 40.987 0
${{\hat{\beta }}_{2}}$0.040 60.367 30.341 90.938 00.026 30.383 50.360 90.979 0
${{\hat{\beta }}_{3}}$0.039 90.340 50.340 30.950 00.024 80.319 10.358 70.967 0
$\hat{\beta }_{1}^{\left[ S \right]}$0.053 60.383 00.465 90.982 00.060 60.438 60.519 60.973 0
$\hat{\beta }_{2}^{\left[ S \right]}$0.031 90.363 80.465 90.987 00.000 30.370 60.519 60.984 0
$\hat{\beta }_{3}^{\left[ Q \right]}$0.022 90.351 20.438 30.984 00.062 10.329 40.435 10.975 0
n=200
20%${{{\hat{\beta }}}_{1}}$0.007 70.228 30.241 80.950 00.004 50.253 60.335 50.988 0
${{{\hat{\beta }}}_{2}}$0.004 20.216 00.211 80.940 00.003 70.219 10.214 10.942 0
${{{\hat{\beta }}}_{3}}$0.005 00.200 00.206 80.953 00.003 90.198 30.211 50.964 0
$\hat{\beta }_{1}^{\left[ S \right]}$0.030 20.217 20.261 20.983 00.029 20.241 50.294 10.980 0
$\hat{\beta }_{2}^{\left[ S \right]}$0.034 70.213 70.261 20.983 0-0.011 70.213 20.294 10.987 0
$\hat{\beta }_{3}^{\left[ Q \right]}$0.131 40.205 20.259 20.978 0-0.069 30.188 80.259 60.979 0
40%${{{\hat{\beta }}}_{1}}$0.009 00.254 70.312 40.977 00.014 20.293 70.424 20.988 0
${{{\hat{\beta }}}_{2}}$0.008 30.242 20.241 70.943 00.015 20.254 90.253 70.953 0
${{{\hat{\beta }}}_{3}}$0.006 80.223 60.240 50.964 00.011 80.214 10.251 10.972 0
$\hat{\beta }_{1}^{\left[ S \right]}$0.016 70.254 80.315 10.980 00.035 60.286 40.347 80.981 0
$\hat{\beta }_{2}^{\left[ S \right]}$0.000 60.240 90.315 10.986 0-0.004 80.249 40.347 80.988 0
$\hat{\beta }_{3}^{\left[ Q \right]}$-0.005 80.230 50.300 60.984 0-0.058 70.222 00.302 40.983 0
注:${{{\hat{\beta }}}_{1}}$本文的逆概率加权估计;$\hat{\beta }_{1}^{\left[ S \right]}$;文献[12]的简单加权估计;${{{\hat{\beta }}}_{2}}$本文的增广加权估计;$\hat{\beta }_{2}^{\left[ S \right]}$:文献[12]的增广加权估计;${{{\hat{\beta }}}_{3}}$:本文的基于模型的插补估计;$\hat{\beta }_{3}^{\left[ Q \right]}$:文献[13]的插补估计;BIAS:偏差;SSE:样本标准差;ESE:估计标准差;CP:基于正态近似的95%的覆盖率.

表 2 Z~Uniform(0,2)时的模拟结果Table 2 Simulation results when Z~Uniform(0,2)


Table 3
表 3 Z~Bernoulli(0.5)时的模拟结果Table 3 Simulation results when Z~Bernoulli(0.5)
删失率估计缺失率
20%40%
BIASSSEESECPBIASSSEESECP
n=100
20%${{{\hat{\beta }}}_{1}}$0.020 30.270 70.280 60.958 00.016 00.311 10.360 60.966 0
${{{\hat{\beta }}}_{2}}$0.019 30.258 90.243 20.926 00.018 20.261 20.249 80.943 0
${{{\hat{\beta }}}_{3}}$0.018 90.250 50.240 80.934 00.020 50.246 70.247 20.951 0
$\hat{\beta }_{1}^{\left[ S \right]}$0.022 80.260 80.291 40.971 00.026 80.275 80.314 50.983 0
$\hat{\beta }_{2}^{\left[ S \right]}$0.021 80.260 20.291 40.969 00.014 70.260 20.314 50.987 0
$\hat{\beta }_{3}^{\left[ Q \right]}$0.030 60.247 60.287 00.981 0-0.084 80.230 60.288 80.958 0
40%${{{\hat{\beta }}}_{1}}$0.036 10.302 40.341 40.970 00.035 00.353 50.458 80.977 0
${{{\hat{\beta }}}_{2}}$0.034 00.286 80.275 00.946 00.026 10.304 40.289 30.933 0
${{{\hat{\beta }}}_{3}}$0.031 90.269 10.273 60.962 00.025 20.259 80.287 00.973 0
$\hat{\beta }_{1}^{\left[ S \right]}$0.038 90.293 50.336 70.983 00.040 40.327 90.362 50.978 0
$\hat{\beta }_{2}^{\left[ S \right]}$0.031 10.286 10.336 70.984 00.016 90.301 60.362 50.983 0
$\hat{\beta }_{3}^{\left[ Q \right]}$0.013 60.274 80.327 10.983 0-0.072 80.264 80.327 90.969 0
n=200
20%${{{\hat{\beta }}}_{1}}$0.005 70.190 50.197 40.955 00.009 60.216 70.250 50.970 0
${{{\hat{\beta }}}_{2}}$0.004 00.180 00.173 60.943 00.004 00.182 50.177 50.948 0
${{{\hat{\beta }}}_{3}}$0.005 20.174 60.172 10.948 00.006 00.172 20.175 20.957 0
$\hat{\beta }_{1}^{\left[ S \right]}$0.006 60.181 90.203 20.971 00.013 50.189 70.217 10.972 0
$\hat{\beta }_{2}^{\left[ S \right]}$0.005 90.180 70.203 20.974 00.001 50.182 80.217 10.982 0
$\hat{\beta }_{3}^{\left[ Q \right]}$0.018 30.174 40.202 50.977 0-0.091 40.161 20.201 10.952 0
40%${{{\hat{\beta }}}_{1}}$0.002 30.210 90.237 10.972 00.004 90.246 00.314 20.981 0
${{{\hat{\beta }}}_{2}}$0.003 80.199 00.192 60.954 00.000 90.213 70.203 60.937 0
${{{\hat{\beta }}}_{3}}$0.004 70.186 90.191 80.947 00.002 80.182 80.202 00.966 0
$\hat{\beta }_{1}^{\left[ S \right]}$0.003 20.203 40.230 80.972 00.011 30.225 60.246 90.969 0
$\hat{\beta }_{2}^{\left[ S \right]}$-0.002 40.200 60.230 80.976 0-0.004 90.213 80.246 90.979 0
$\hat{\beta }_{3}^{\left[ Q \right]}$-0.017 10.193 40.225 80.977 0-0.089 90.185 10.227 30.962 0
注:${{{\hat{\beta }}}_{1}}$本文的逆概率加权估计;$\hat{\beta }_{1}^{\left[ S \right]}$;文献[12]的简单加权估计;${{{\hat{\beta }}}_{2}}$本文的增广加权估计;$\hat{\beta }_{2}^{\left[ S \right]}$:文献[12]的增广加权估计;${{{\hat{\beta }}}_{3}}$:本文的基于模型的插补估计;$\hat{\beta }_{3}^{\left[ Q \right]}$:文献[13]的插补估计;BIAS:偏差;SSE:样本标准差;ESE:估计标准差;CP:基于正态近似的95%的覆盖率.

表 3 Z~Bernoulli(0.5)时的模拟结果Table 3 Simulation results when Z~Bernoulli(0.5)

从模拟结果可以看出,本文所提的3个估计都有比较小的偏差,样本标准差和估计标准差;样本标准差和估计标准差比较接近. 当缺失概率和删失概率不是很大时,所提估计的覆盖率在95%附近.因此,所提的估计有比较好的有限样本性质.进一步比较所提的3个估计. 显然,增广加权估计和基于模型的插补估计,相比逆概率加权估计,具有更小的偏差,样本标准差和估计标准差及更加准确的覆盖率. 比较增广加权估计和基于模型的插补估计,后者具有更好的有限样本性质.前文提出回归系数和基准累积风险函数的增广加权估计时,就已指出,逆概率加权估计只用到了完全观测样本(对应ξi=1的个体)的信息,忽略了不完全观测样本(ξi=0的个体)的信息,可能会使结果的有效性降低. 增广加权估计中由于也采用了逆概率的方法,有时会导致结果稍逊于插补估计.
我们对所提的3个估计和文献中的估计:文献[12]的简单逆概率加权估计和增广加权估计,以及文献[13]的插补估计的有限样本性质进行比较. 发现我们所提的增广加权估计和基于模型的插补估计具有比文献中3个估计更好的有限样本性质: 具有更小的偏差,样本标准差和估计标准差和更加准确的覆盖率. 因为本文所提的增广加权估计和基于模型的插补估计充分地利用了参数模型的信息,因此相比采用非参数方法的文献中的3个估计更为准确,这是非常合理的. 这些说明我们所提的增广加权估计和基于模型的插补估计在参数模型假定正确时,的确更为有效.这种优势在样本量小(n=100)时尤其明显. 这也是合理的,当样本量比较大时,非参数方法的估计也比较准确,这时基于参数概率模型的方法和非参数概率模型的方法的差异就变小了.
6.2 实例分析本节我们通过对乳腺癌数据[15]的分析验证所提出的估计方法.该数据来自ECOG(东部肿瘤协作组)的E1178临床试验,有169名患有第Ⅱ型乳腺癌的年长女性的相关信息.我们感兴趣的是注射它莫西芬病人的腋窝淋巴结数量对其生存时间的影响,该批病人中,共有86名病人接受了它莫西芬注射,其中21人死于乳腺癌(ξ=1,δ=1),55人死于其他原因(ξ=1,δ=0),而剩余10人死亡原因未知(ξ=0).我们建立可加危险率模型,利用本文所提的方法,采用与前面的模拟设置相同的参数模型结构对数据进行分析,具体结果见表 4.
Table 4
表 4 乳腺癌数据研究Table 4 Aanalysis of breast cancer data
方法$\hat{\beta }\times {{10}^{3}}$ESE×104P-value
IPW0.129 40.599 50.030 9
FW0.126 80.581 40.029 2
IM0.123 40.572 40.031 2
Song10.140 20.699 20.044 9
Song20.138 50.699 20.047 6
Qiu0.132 90.683 50.051 9
CC0.120 60.633 30.056 9
注:IPW,FW和IM分别表示本文的逆概率加权,增广加权和基于模型的插补方法;Song1和Song2分别表示文献[12]的简单加权和增广加权方法;Qiu表示文献[13]的插补方法;CC表示Complete-Case方法.

表 4 乳腺癌数据研究Table 4 Aanalysis of breast cancer data

我们也利用文献[12-13]中的方法,以及Complete-Case方法分析数据.文献中的方法用到删失概率函数和缺失概率函数的非参数估计,我们使用大拇指法则选择窗宽,所得结果见表 4. 从表 4的结果可以看出,乳腺癌病人的腋窝淋巴结数量是显著的,并且可以看出本文所提出方法的估计标准差明显小于文献中的方法,且检验的P值也要小一些.
7 结束语本文给出在失效信息随机缺失时可加危险率模型的回归参数和基准累积风险函数的逆概率加权估计、增广加权估计和基于模型的插补估计.本文结果表明 所得的估计计算简单并且具有良好的理论性质,其渐近协方差矩阵的也可由传统的plug-in方法得到. 通过数值模拟研究,我们发现当参数模型的假定正确时,本文所提的增广加权估计和基于模型的插补估计具有优于文献[12-13]的估计的有限样本性质.乳腺癌数据的对比分析结果也证明了本文方法的良好效果.
参考文献
[1] Little R J A, Rubin D B. Statistical analysis with missing data[M].2nd ed.New York: John Wiley & Sons, 2002.
[2] Lu K, Tsiatis A A. Multiple imputation methods for estimating regression coefficients in the competing risks model with missing cause of failure[J].Biometrics, 2001, 57(4):1191–1197.DOI:10.1111/j.0006-341X.2001.01191.x
[3] Wang Q, Linton O, H?rdle W. Semiparametric regression analysis with missing response at random[J].Journal of the American Statistical Association, 2004, 99(466):334–345.DOI:10.1198/016214504000000449
[4] Sun Z, Wang Q. Semiparametric estimation of survival function with cause of death data missing at random[J].Journal of Applied Probability and Statistics, 2007, 2:189–209.
[5] Zhou X, Sun L. Additive hazards regression with missing censoring information[J].Statistica Sinica, 2003, 13(4):1237–1257.
[6] Wang Q, Ng K W. Asymptotically efficient product-limit estimators with censoring indicators missing at random[J].Statistica Sinica, 2008, 18(2):749–768.
[7] Wang Q, Dinse G E. Linear regression analysis of survival data with missing censoring indicators[J].Lifetime Data Analysis, 2011, 17(2):256–279.DOI:10.1007/s10985-010-9175-8
[8] Sun Z, Xie T, Liang H. Statistical inference for right-censored data with nonignorable missing censoring indicators[J].Science China Mathematics, 2013, 56(6):1263–1278.DOI:10.1007/s11425-012-4492-x
[9] Lin D Y, Ying Z. Semiparametric analysis of the additive risk model[J].Biometrika, 1994, 81(1):61–71.DOI:10.1093/biomet/81.1.61
[10] Yin G, Cai J. Additive hazards model with multivariate failure time data[J].Biometrika, 2004, 91(4):801–818.DOI:10.1093/biomet/91.4.801
[11] Lu W, Liang Y. Analysis of competing risks data with missing cause of failure under additive hazards model[J].Statistica Sinica, 2008, 18(1):219.
[12] Song X, Sun L, Mu X, et al. Additive hazards regression with censoring indicators missing at random[J].Canadian Journal of Statistics, 2010, 38(3):333–351.DOI:10.1002/cjs.v38:3
[13] Qiu Z, Chen X, Zhou Y. A kernel-assisted imputation estimating method for the additive hazards model with missing censoring indicator[J].Statistics & Probability Letters, 2015, 98:89–97.
[14] Dikta G. On semiparametric random censorship models[J].Journal of Statistical Planning and Inference, 1998, 66(2):253–279.DOI:10.1016/S0378-3758(97)00091-8
[15] Goetghebeur E, Ryan L. Analysis of competing risks survival data when some failure types are missing[J].Biometrika, 1995, 82(4):821–833.DOI:10.1093/biomet/82.4.821
[16] Pollard D.Empirical processes: theory and applications // NSF-CBMS regional conference series in probability and statistics.Institute of Mathematical Statistics and the American Statistical Association, 1990: 1-86.


相关话题/文献 概率 信息 数据 未知

  • 领限时大额优惠券,享本站正版考研考试资料!
    大额优惠券
    优惠券领取后72小时内有效,10万种最新考研考试考证类电子打印资料任你选。涵盖全国500余所院校考研专业课、200多种职业资格考试、1100多种经典教材,产品类型包含电子书、题库、全套资料以及视频,无论您是考研复习、考证刷题,还是考前冲刺等,不同类型的产品可满足您学习上的不同需求。 ...
    本站小编 Free壹佰分学习网 2022-09-19
  • 基于机载LiDAR数据的建筑屋顶点云提取方法
    李亮1,2,王成2,李世华1,习晓环21.电子科技大学资源与环境学院,成都611731;2.中国科学院遥感与数字地球研究所数字地球重点实验室,北京1000942015年09月23日收稿;2016年03月15日收修改稿基金项目:国家科技部重大科学仪器研制专项(2013YQ120343)和国家重点基础研 ...
    本站小编 Free考研考试 2021-12-25
  • 基于已知振幅信息约束的叠层光电成像
    王智博1,张骏1,李拓1,史祎诗1,21.中国科学院大学,北京100049;2.中国科学院光电研究院,北京1000942016年09月02日收稿;2016年11月04日收修改稿基金项目:国家自然科学基金(61575197)和中国科学院"科教融合"教育创新项目资助通信作者:史祎诗,E-mail:sys ...
    本站小编 Free考研考试 2021-12-25
  • 全球变化领域研究现状与趋势的大数据分析
    毛萍,黄东晓,王芋华,周华,王海燕,陈槐中国科学院成都生物研究所,成都6100412016年05月30日收稿;2016年08月29日收修改稿基金项目:中国科学院“****”项目、四川省“****”项目和四川省青年科技创新团队项目(2015TD0026)资助通信作者:陈槐,E-mail:chenhua ...
    本站小编 Free考研考试 2021-12-25
  • 基于卫星重力、卫星测高和温盐度综合数据的中国近海各区域海平面变化
    常乐1,钱安2,易爽1,徐长仪3,孙文科11.中国科学院大学,北京100049;2.防灾科技学院,北京101601;3.中国地震局地震预测研究所,北京1000362016年08月04日收稿;2016年11月17日收修改稿基金项目:国家自然科学基金(41331066,41474059),中国科学院科学 ...
    本站小编 Free考研考试 2021-12-25
  • 基于Hadoop的邮政寄递大数据分析系统设计与实现
    王卫锋,杨林中国科学院大学计算机与控制学院信息动态学与工程应用实验室,北京1000492016年09月14日收稿;2016年11月18日收修改稿通信作者:王卫锋,E-mail:ry_009@126.com摘要:面对海量邮政寄递数据,现有的构建于关系数据库上的数据仓库系统在做数据分析时具有建设成本高、 ...
    本站小编 Free考研考试 2021-12-25
  • SAR原始数据压缩的自适应比特分配BAQ算法
    潘志刚,王小龙,李志勇中国科学院电子学研究所,北京1001902016年03月16日收稿;2016年05月16日收修改稿基金项目:国家自然科学基金(61101201)资助通信作者:潘志刚,E-mail:zgpan@mail.ie.ac.cn摘要:针对SAR原始数据压缩,在传统BAQ算法基础上,提出一 ...
    本站小编 Free考研考试 2021-12-25
  • 基于SCUSS和SDSS数据的银河系晕金属丰度分布
    左文波,杜翠花中国科学院大学物理科学学院,北京1014082017年03月21日收稿;2017年05月04日收修改稿基金项目:国家自然科学基金委员会-中国科学院天文联合基金(U1231113)和中国科学院大学校所合作基金资助通信作者:杜翠花,E-mail:ducuihua@ucas.ac.cn摘要: ...
    本站小编 Free考研考试 2021-12-25
  • 一种面向未知链路帧的格式特征提取与分类算法
    薛开平,柳彬,李威,洪佩琳中国科学技术大学电子工程与信息科学系,合肥2300262017年04月17日收稿;2017年05月27日收修改稿基金项目:国家自然科学基金(61379129)和中国科学院青年创新促进会人才基金(2016394)资助通信作者:薛开平,E-mail:kpxue@ustc.edu ...
    本站小编 Free考研考试 2021-12-25
  • 基于Radarsat-2全极化数据的张掖地区土壤水分的反演
    王睿馨1,宋小宁1,马建威2,孙川11.中国科学院大学资源与环境学院,北京101408;2.中国水利水电科学研究院,北京1000382017年04月07日收稿;2017年05月08日收修改稿基金项目:中国科学院西部行动计划项目子课题(KZCX2-XB3-15)资助通信作者:宋小宁,E-mail:so ...
    本站小编 Free考研考试 2021-12-25
  • 基于SeaWiFS对月观测数据的月球辐照度模型分析
    曾祥钊1,2,唐伶俐11.中国科学院光电研究院中国科学院定量遥感信息技术重点实验室,北京100094;2.中国科学院大学,北京1000492018年4月23日收稿;2018年5月11日收修改稿基金项目:中国科学院国际合作局对外合作重点项目(181811KYSB20160040)资助通信作者:唐伶俐, ...
    本站小编 Free考研考试 2021-12-25