Resumen

Este artículo proporciona una nueva perspectiva sobre un método de diseño de muestreo económico y efectivo que se basa en el diseño de muestreo dependiente del resultado (ODS) en investigaciones de cohortes a gran escala. En primer lugar, la importancia y originalidad de este artículo radica en explorar cómo ajustar el modelo de riesgo aditivo ajustado por covariables bajo el diseño de ODS; en segundo lugar, este artículo se enfocó en estimar la función de distorsión a través de regresión no paramétrica y requería la observación de la covariable sobre los factores de confusión de la distorsión; además, este artículo calibró aún más las covariables contaminadas y propuso los estimadores de los parámetros mediante el análisis de las covariables calibradas; finalmente, este artículo estableció la propiedad de muestra grande y la normalidad asintótica de los estimadores propuestos y realizó muchas más simulaciones para evaluar el rendimiento de muestra finita del método propuesto. La investigación empírica demuestra que los resultados tanto de datos artificiales

• Materias:Big Data Gestión de riesgos Administración de información Red neuronal Teoría de redes
• Subjects:Big Data Risk management Information management Neural network Network Theory
• Palabras claves:Insight; Diseño de muestreo; Diseño de ODS; Modelo de riesgo; Regresión no paramétrica; Covariables
• Keywords:Insight; Sampling design; ODS design; Hazard model; Nonparametric regression; Covariates