Local likelihood density estimation for interval censored data

Autor: James E. Stafford, John Braun, Thierry Duchesne
Rok vydání: 2005
Předmět:
Zdroj: Canadian Journal of Statistics. 33:39-60
ISSN: 1708-945X
0319-5724
DOI: 10.1002/cjs.5540330104
Popis: The authors propose a class of procedures for local likelihood estimation from data that are either interval-censored or that have been aggregated into bins. One such procedure relies on an algorithm that generalizes existing self-consistency algorithms by introducing kernel smoothing at each step of the iteration. The entire class of procedures yields estimates that are obtained as solutions of fixed point equations. By discretizing and applying numerical integration, the authors use fixed point theory to study convergence of algorithms for the class. Rapid convergence is effected by the implementation of a local EM algorithm as a global Newton iteration. The latter requires an explicit solution of the local likelihood equations which can be found by using the symbolic Newton-Raphson algorithm, if necessary. Estimation de la densite par vraisemblance locale a partir de donnees censurees par intervalle: Les auteurs proposent une classe de procedures pour l'estimation de la densite par vraisemblance locale lorsque les donnees sont censurees par intervalle ou qu'elles ont ete regroupees en classes. L'une de ces procedures s'appuie sur un algorithme qui, en faisant appel a un noyau lissant a chaque iteration, generalise les algorithmes auto-convergents deja existants. Les estimations auxquelles la classe conduit sont des points fixes de certaines equations. En s'appuyant sur des techniques de discretisation et d'integration numerique, les auteurs se servent de la theorie des points fixes pour etudier la convergence des algorithmes de la classe. La convergence est acceleree par l'emploi d'un algorithme EM local dans l'iteration globale de la methode de Newton. Cette demiere fait intervenir une solution d'equations de vraisemblance locale qui, au besoin, peut etre trouvee au moyen d'un algorithme de Newton-Raphson symbolique.
Databáze: OpenAIRE
Externí odkaz: