ترجمه فارسی مقاله برآورد قوی و کارآمد در حضور یک همبستگی تصادفی سانسور شده

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

پرداخت اقساطی
در صورت خرید اقساطی هر قسط: 37,500 تومان
۴ قسط ماهانه. بدون سود، چک و ضامن.
پرداخت اقساطی با دیجی‌پی پرداخت اقساطی با ترب‌پی
عنوان مقاله به انگلیسی Robust and efficient estimation in the presence of a randomly censored covariate
عنوان مقاله به فارسی برآورد قوی و کارآمد در حضور یک همبستگی تصادفی سانسور شده
نویسندگان Seong-ho Lee, Brian D. Richardson, Yanyuan Ma, Karen S. Marder, Tanya P. Garcia
فرمت مقاله انگلیسی PDF
تعداد صفحات 69
لینک دانلود رایگان مقاله انگلیسی دانلود مقاله
دسته بندی موضوعات Methodology,روش شناسی ,
توضیحات Submitted 17 September, 2024; v1 submitted 12 September, 2024; originally announced September 2024.
توضیحات به فارسی ارسال شده 17 سپتامبر 2024 ؛V1 ارسال شده 12 سپتامبر 2024 ؛در ابتدا سپتامبر 2024 اعلام شد.
اطلاعات بیشتر از این مقاله در پایگاه های علمی INSPIRE HEP
NASA ADS
Google Scholar
Semantic Scholar

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

چکیده

In Huntington's disease research, a current goal is to understand how symptoms change prior to a clinical diagnosis. Statistically, this entails modeling symptom severity as a function of the covariate 'time until diagnosis', which is often heavily right-censored in observational studies. Existing estimators that handle right-censored covariates have varying statistical efficiency and robustness to misspecified models for nuisance distributions (those of the censored covariate and censoring variable). On one extreme, complete case estimation, which utilizes uncensored data only, is free of nuisance distribution models but discards informative censored observations. On the other extreme, maximum likelihood estimation is maximally efficient but inconsistent when the covariate's distribution is misspecified. We propose a semiparametric estimator that is robust and efficient. When the nuisance distributions are modeled parametrically, the estimator is doubly robust, i.e., consistent if at least one distribution is correctly specified, and semiparametric efficient if both models are correctly specified. When the nuisance distributions are estimated via nonparametric or machine learning methods, the estimator is consistent and semiparametric efficient. We show empirically that the proposed estimator, implemented in the R package sparcc, has its claimed properties, and we apply it to study Huntington's disease symptom trajectories using data from the Enroll-HD study.

چکیده به فارسی (ترجمه ماشینی)

در تحقیقات بیماری هانتینگتون ، هدف فعلی درک چگونگی تغییر علائم قبل از تشخیص بالینی است.از نظر آماری ، این مستلزم مدل سازی شدت علائم به عنوان تابعی از "زمان متغیر" تا تشخیص است ، که اغلب در مطالعات مشاهده ای به شدت سانسور می شود.برآوردگرهای موجود که متغیرهای متغیرهای سانسور شده را دارند ، دارای کارایی آماری متفاوت و استحکام در مدل های غلط برای توزیع های مزاحمت (متغیرهای متغیر متغیر و سانسور سانسور) هستند.در یک تخمین شدید ، کامل مورد ، که فقط از داده های بدون سانسور استفاده می کند ، عاری از مدل های توزیع مزاحمت است اما مشاهدات سانسور شده آموزنده را کنار می گذارد.از طرف دیگر ، برآورد حداکثر احتمال حداکثر کارآمد اما متناقض است که توزیع همبستگی اشتباه شود.ما یک برآوردگر نیمهرامتری را پیشنهاد می کنیم که قوی و کارآمد باشد.هنگامی که توزیع های مزاحمت به صورت پارامتری مدل می شوند ، برآوردگر به طور مضاعف قوی است ، یعنی اگر حداقل یک توزیع به درستی مشخص شود ، و در صورت درست بودن هر دو مدل ، کارآمد است.هنگامی که توزیع مزاحمت از طریق روشهای یادگیری غیرپارامتری یا ماشین تخمین زده می شود ، برآوردگر سازگار و نیمه کارآمدی است.ما به صورت تجربی نشان می دهیم که برآوردگر پیشنهادی ، که در بسته R SPARCC اجرا شده است ، دارای خواص ادعا شده خود است و ما آن را برای مطالعه مسیرهای علائم بیماری هانتینگتون با استفاده از داده های مطالعه ثبت نام-HD به کار می بریم.

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.