Global Polynomial Kernel Hazard Estimation

• MUNIR HIABU ^[1] ; MARÍA DOLORES MARTÍNEZ-MIRANDA ^[1] ; JENS PERCH NIELSEN ^[1] ; JAAP SPREEUW ^[1] ; CARSTEN TANGGAARD ^[2] ; ANDRÉS M. VILLEGAS ^[1]
  1. [1] City University

     City University

     DCC (Kotwali), Bangladés

     
  2. [2] Aarhus University

     Aarhus University

     Dinamarca

     
• Localización: Revista Colombiana de Estadística, ISSN-e 2389-8976, ISSN 0120-1751, Vol. 38, Nº. 2, 2015, págs. 399-411
• Idioma: inglés
• Títulos paralelos:
  • Ajuste polinomial global para la estimación kernel de la función de riesgo
• Enlaces
  • Texto completo
• Resumen
  • español

    En este artículo se introduce un nuevo método de correción del sesgo para la estimación n\ucleo de la función de riesgo. El método, denominado ajuste polinomial global (APG), consiste en una corrección global que es aplicable a cualquier tipo de estimador núcleo de la función de riesgo. Se comprueba que APG posee buenas propiedades asintóticas y que consigue reducir el sesgo sin incrementar la varianza. Se realizan estudios de simulación para evaluar las propiedades del APG en muestras finitas. Dichos estudios muestran un buen comportamiento en la práctica del APG. Esto es especialmente alentador dado que para muestras finitas los métodos tradicionales de reducción del sesgo tienden a tener un comportamiento bastante pobre.

  • English

    This paper introduces a new bias reducing method for kernel hazard estimation. The method is called global polynomial adjustment (GPA). It is a global correction which is applicable to any kernel hazard estimator. The estimator works well from a theoretical point of view as it asymptotically reduces bias with unchanged variance. A simulation study investigates the finite-sample properties of GPA. The method is tested on local constant and local linear estimators. From the simulation experiment we conclude that the global estimator improves the goodness-of-fit. An especially encouraging result is that the bias-correction works well for small samples, where traditional bias reduction methods have a tendency to fail.