Notice bibliographique
Résumé
[ACCESS RESTRICTED TO THE UNIVERSITY OF MISSOURI AT AUTHOR'S REQUEST.] Biased sampling arises when the observations are not randomly selected from the target population. When the sampling probability is proportional to the underlying outcome of interest, this is known as length-biased sampling. Length-biased sampling has been well recognized in economics, industrial reliability, etiology applications, epidemiological studies and cancer screening trials. Right-censored time-to-event data are often observed from a cohort of prevalent cases that are subject to length-biased sampling, which are termed as length-biased and right-censored data. It has a unique data structure different from traditional survival data and thus requires different inference methods for both nonparametric and semiparametric estimations. In this thesis, we will exploit these unique aspects and discuss the statistical analysis of length-biased and right-censored data. The first part of this dissertation discusses a goodness-of-fit test for checking the parametric model with length-biased and right-censored data. The second part of this dissertation considers the regression analysis of length-biased and right-censored data in the context of the novel two sample short-term and long-term hazard ratios model. The third part of this dissertation proposes an inverse probability weighted (IPW) method and a reweighted method for estimating the regression parameters in the Cox model with missing covariates under length-biased sampling. The performance of the proposed approaches are demonstrated through simulation studies and we apply the approaches to the survival data from the Canadian Study of Health and Aging(CSHA).
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,010 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».