{"id":{"repo_id":"freiburg-diss","oai_identifier":"oai:freidok.uni-freiburg.de:69"},"canonical_url":"https://search.dev.ndltd.org/etd/freiburg-diss/oai:freidok.uni-freiburg.de:69","repository":{"repo_id":"freiburg-diss","name":"University of Freiburg","base_url":"https://freidok.uni-freiburg.de/oai/oai2.php"},"display":{"title":"Empirische Risiko-Minimierung bei zensierten Daten","abstract":"Das Ziel dieser Arbeit ist die statistische Analyse von zensierten Survival-Daten durch Sieb-Maximum-Likelihood-Schätzer. Diese Zensurmodelle spielen unter anderem bei der Auswertung klinischer Studien eine wichtige Rolle. <br>Für Schätzer der bedingten log-Hazardfunktion werden verschiedene Konsistenzergebnisse und Konvergenzraten in einem allgemeinen Kontext bewiesen. Dabei untersuchen wir zwei Sieb-Typen: Auf der einen Seite Teilmengen von endlich-dimensionalen Vektorräumen von Funktionen (wie etwa Tensorprodukt-Splines), auf der anderen Seite endliche Linearkombinationen aus einer unendlichen Menge von Basisfunktionen (wie etwa neuronale Netze). <br>Das Konsistenzergebnis besteht für beide Sieb-Typen in einem allgemeinen hinreichenden Kriterium, unter dem die entsprechenden Sieb-Maximum-Likelihood-Schätzer konsistent im L^1-Sinn sind. <br>Unter verschiedenen a-priori Annahmen an die Glattheit der zugrundeliegenden bedingten log-Hazardfunktion erhalten wir Schätzer, die unter anderem nahezu die optimale Minimaxrate erreichen, sowie regularisierte Versionen dieser Schätzer, die bis auf einen logarithmische Faktor im Minimax-Sinn adaptiert sind. <br>Die wichtigsten technischen Werkzeuge in dieser Arbeit stammen aus der Theorie empirischer Prozesse. Entscheidend sind hier inbesondere exponentielle Maximal-Ungleichungen sowie Abschätzungen der Überdeckungszahlen und Vapnik-Chervonenkis-Dimensionen von Funktionenklassen.","abstract_html":"Das Ziel dieser Arbeit ist die statistische Analyse von zensierten Survival-Daten durch Sieb-Maximum-Likelihood-Schätzer. Diese Zensurmodelle spielen unter anderem bei der Auswertung klinischer Studien eine wichtige Rolle. &lt;br&gt;Für Schätzer der bedingten log-Hazardfunktion werden verschiedene Konsistenzergebnisse und Konvergenzraten in einem allgemeinen Kontext bewiesen. Dabei untersuchen wir zwei Sieb-Typen: Auf der einen Seite Teilmengen von endlich-dimensionalen Vektorräumen von Funktionen (wie etwa Tensorprodukt-Splines), auf der anderen Seite endliche Linearkombinationen aus einer unendlichen Menge von Basisfunktionen (wie etwa neuronale Netze). &lt;br&gt;Das Konsistenzergebnis besteht für beide Sieb-Typen in einem allgemeinen hinreichenden Kriterium, unter dem die entsprechenden Sieb-Maximum-Likelihood-Schätzer konsistent im L^1-Sinn sind. &lt;br&gt;Unter verschiedenen a-priori Annahmen an die Glattheit der zugrundeliegenden bedingten log-Hazardfunktion erhalten wir Schätzer, die unter anderem nahezu die optimale Minimaxrate erreichen, sowie regularisierte Versionen dieser Schätzer, die bis auf einen logarithmische Faktor im Minimax-Sinn adaptiert sind. &lt;br&gt;Die wichtigsten technischen Werkzeuge in dieser Arbeit stammen aus der Theorie empirischer Prozesse. Entscheidend sind hier inbesondere exponentielle Maximal-Ungleichungen sowie Abschätzungen der Überdeckungszahlen und Vapnik-Chervonenkis-Dimensionen von Funktionenklassen.","abstract_has_math":false,"creators":["Döhler, Sebastian"],"institution":null,"degree_name":null,"degree_level":null,"degree_discipline":null,"degree_department":null,"school":null,"contributors":["Rüschendorf, Ludger"],"advisors":[],"committee_chairs":[],"committee_members":[],"year":null,"date_issued":"","date_published":null,"updated_at":"2026-07-24T02:21:24Z","subjects":["Sieb-Schaetzer","Zensierte Daten","Bedingte log-Hazardfunktion","Minimaxrate","Sieves","Censored data, Maximum likelihood estimation","hazard function","rates of convergence"],"languages":[],"rights":[],"rights_urls":[],"identifier_entries":[]},"links":{"outbound_url":"https://freidok.uni-freiburg.de/data/69","outbound_label":"Repository record","outbound_source":"source_url"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:contributor","label":"Contributor","values":["Rüschendorf, Ludger"]},{"key":"dc:creator","label":"Author","values":["Döhler, Sebastian"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:type","label":"Dc Type","values":["DoctoralThesis"]}]},{"id":"subjects_keywords","label":"Subjects and Keywords","entries":[{"key":"dc:subject","label":"Dc Subject","values":["Sieb-Schaetzer","Zensierte Daten","Bedingte log-Hazardfunktion","Minimaxrate","Sieves","Censored data, Maximum likelihood estimation","hazard function","rates of convergence"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description.abstract","label":"Abstract","values":["Das Ziel dieser Arbeit ist die statistische Analyse von zensierten Survival-Daten durch Sieb-Maximum-Likelihood-Schätzer. Diese Zensurmodelle spielen unter anderem bei der Auswertung klinischer Studien eine wichtige Rolle. <br>Für Schätzer der bedingten log-Hazardfunktion werden verschiedene Konsistenzergebnisse und Konvergenzraten in einem allgemeinen Kontext bewiesen. Dabei untersuchen wir zwei Sieb-Typen: Auf der einen Seite Teilmengen von endlich-dimensionalen Vektorräumen von Funktionen (wie etwa Tensorprodukt-Splines), auf der anderen Seite endliche Linearkombinationen aus einer unendlichen Menge von Basisfunktionen (wie etwa neuronale Netze). <br>Das Konsistenzergebnis besteht für beide Sieb-Typen in einem allgemeinen hinreichenden Kriterium, unter dem die entsprechenden Sieb-Maximum-Likelihood-Schätzer konsistent im L^1-Sinn sind. <br>Unter verschiedenen a-priori Annahmen an die Glattheit der zugrundeliegenden bedingten log-Hazardfunktion erhalten wir Schätzer, die unter anderem nahezu die optimale Minimaxrate erreichen, sowie regularisierte Versionen dieser Schätzer, die bis auf einen logarithmische Faktor im Minimax-Sinn adaptiert sind. <br>Die wichtigsten technischen Werkzeuge in dieser Arbeit stammen aus der Theorie empirischer Prozesse. Entscheidend sind hier inbesondere exponentielle Maximal-Ungleichungen sowie Abschätzungen der Überdeckungszahlen und Vapnik-Chervonenkis-Dimensionen von Funktionenklassen."]},{"key":"dc:format.medium","label":"Dc Format Medium","values":["application/pdf"]},{"key":"dc:title","label":"Title","values":["Empirische Risiko-Minimierung bei zensierten Daten"]}]}],"canonical_facts":{"dc:contributor":["Rüschendorf, Ludger"],"dc:creator":["Döhler, Sebastian"],"dc:description.abstract":["Das Ziel dieser Arbeit ist die statistische Analyse von zensierten Survival-Daten durch Sieb-Maximum-Likelihood-Schätzer. Diese Zensurmodelle spielen unter anderem bei der Auswertung klinischer Studien eine wichtige Rolle. <br>Für Schätzer der bedingten log-Hazardfunktion werden verschiedene Konsistenzergebnisse und Konvergenzraten in einem allgemeinen Kontext bewiesen. Dabei untersuchen wir zwei Sieb-Typen: Auf der einen Seite Teilmengen von endlich-dimensionalen Vektorräumen von Funktionen (wie etwa Tensorprodukt-Splines), auf der anderen Seite endliche Linearkombinationen aus einer unendlichen Menge von Basisfunktionen (wie etwa neuronale Netze). <br>Das Konsistenzergebnis besteht für beide Sieb-Typen in einem allgemeinen hinreichenden Kriterium, unter dem die entsprechenden Sieb-Maximum-Likelihood-Schätzer konsistent im L^1-Sinn sind. <br>Unter verschiedenen a-priori Annahmen an die Glattheit der zugrundeliegenden bedingten log-Hazardfunktion erhalten wir Schätzer, die unter anderem nahezu die optimale Minimaxrate erreichen, sowie regularisierte Versionen dieser Schätzer, die bis auf einen logarithmische Faktor im Minimax-Sinn adaptiert sind. <br>Die wichtigsten technischen Werkzeuge in dieser Arbeit stammen aus der Theorie empirischer Prozesse. Entscheidend sind hier inbesondere exponentielle Maximal-Ungleichungen sowie Abschätzungen der Überdeckungszahlen und Vapnik-Chervonenkis-Dimensionen von Funktionenklassen."],"dc:format.medium":["application/pdf"],"dc:subject":["Sieb-Schaetzer","Zensierte Daten","Bedingte log-Hazardfunktion","Minimaxrate","Sieves","Censored data, Maximum likelihood estimation","hazard function","rates of convergence"],"dc:title":["Empirische Risiko-Minimierung bei zensierten Daten"],"dc:type":["DoctoralThesis"]},"updated_at":"2026-07-24T02:21:24Z"}