Variable Selection with Random Survival Forest and Bayesian Additive Regression Tree for Survival Data
在本文中，我们利用一个生存分析的方法，结合贝叶斯加性回归树来解释非线性和加性协变量的影响。我们比较了贝叶斯加性回归树，Cox比例风险和随机生存森林模型的性能截尾生存数据，使用模拟研究和生存分析乳腺癌与美国SEER数据库2005年。在模拟研究中，我们比较了三种模型在不同的样本量和删失率的基础上的偏差和预测精度。在乳腺癌的生存分析中，我们回顾性分析了1500例浸润性导管癌患者的亚组，浸润性导管癌是一种常见的乳腺癌，主要累及老年女性。三种模型的预测潜力，然后使用一些广泛使用的生存文献的性能评估措施进行比较。
2019-11-02 stat.AP stat.ML
Functional Linear Cox Regression Model with Frailty
针对含函数型协变量的生存数据未观测异质性问题，提出带脆弱性的函数线性Cox回归模型，结合函数主成分分析与惩罚偏似然估计，经模拟和真实数据验证性能更优，已开发为R包。
2025-01-13 stat.ME
Bayesian Factor-adjusted Sparse Regression
研究了协变量高度相关的高维线性回归。在这种设置中，传统的稀疏性假设的回归系数往往不能成立，因此，许多模型选择程序不工作。为了应对这一挑战，我们通过因子结构对协变量的变化进行建模。具体而言，协变量之间的强相关性由共同因素解释，其余变异被解释为每个协变量的特质成分。这导致了一个因素调整回归模型，共同因素和特质成分作为协变量。我们相应地推广了传统的稀疏性假设，并假设所有的共同因素，但只有少数的特质组件的响应。然后提出了一种具有尖峰和平板先验的贝叶斯方法用于参数估计和模型选择。模拟研究表明，我们的贝叶斯方法优于其套索模拟，表现出不敏感的高估的共同因素的数量，支付一个可以忽略不计的代价，在没有相关性的情况下，并扩大以及增加样本量，维数和稀疏。美国债券风险溢价和宏观经济指标的真实数据集上的数值结果为我们的方法提供了强有力的支持。
2019-03-23 math.ST stat.ME stat.TH
Variable selection for nonlinear Cox regression model via deep learning
Biogen（百健）
研究非线性Cox回归模型的变量选择问题。在生存分析中，一个主要目标是识别与发生关注事件的风险相关的协变量。Cox比例风险模型在生存分析中广泛用于研究生存时间和协变量之间的关系，该模型假设协变量对风险函数具有对数线性效应。然而，这种线性假设在实践中可能并不满足。为了提取具有代表性的特征子集，已经提出了各种变量选择方法用于线性Cox模型下的生存数据。然而，很少有文献对非线性Cox模型的变量选择。为了打破这一差距，我们将最近开发的基于深度学习的变量选择模型LassoNet扩展到生存数据。仿真结果验证了该方法的有效性和可行性。最后，我们应用所提出的方法来分析弥漫性大B细胞淋巴瘤的真实数据集。
2022-11-17 cs.LG stat.ME stat.ML
Neural interval-censored survival regression with feature selection
Instituto de Ciencias Matemáticas, CSIC（数学科学研究所（西班牙高等科学研究理事会））；Universidad Autónoma de Madrid（马德里自治大学）；Harvard University（哈佛大学）；Université Paris 1 Panthéon-Sorbonne（巴黎第一大学先贤祠-索邦大学）；University of North Carolina, Chapel Hill（北卡罗来纳大学教堂山分校）
本文提出一种基于加速失效时间模型的神经区间删失生存回归预测框架，结合稀疏神经网络进行变量选择，在非线性场景下优于传统算法。
2024-08-22 cs.LG stat.ME stat.ML
Comparing Lasso and Adaptive Lasso in High-Dimensional Data: A Genetic Survival Analysis in Triple-Negative Breast Cancer
本文研究了高维基因数据中带Lasso和Adaptive Lasso惩罚的Cox回归，提出四种权重计算策略和基于重要性指数的稳健变量选择流程，发现Adaptive Lasso在变量选择和预测性能上优于标准Lasso，并成功应用于三阴性乳腺癌预后分析。
2025-07-01 stat.AP stat.ME
Covariate-adjusted Group Sequential Comparisons of Restricted Mean Survival Times
本文提出一种在分层比例风险模型下比较两个RMST的协变量调整成组序贯检验，无需恒定风险比假设，并证明了其大样本性质及独立增量结构，通过模拟和真实数据验证了有效性。
2025-09-17 stat.ME
Confirmatory Biomarker Identification with k-FWER Control Using Derandomized Knockoffs with Cox Regression
本文提出了一种基于Cox回归的去随机化敲offs方法，用于在控制k-FWER的前提下提高高维生存分析中生物标志物识别的稳定性与准确性。
2025-12-12 stat.AP stat.ME
adjustedCurves: Estimating Confounder-Adjusted Survival Curves in R
Ruhr-University Bochum（鲁尔大学波鸿）；Department of Medical Informatics, Biometry and Epidemiology（医学信息学、生物统计学和流行病学系）
该研究推出adjustedCurves R包，可利用多种文献方法估计绘制混杂因素调整后的生存曲线，整合现有R包功能并新增多项特性，通过2982例乳腺癌数据示例说明其用法，解决观察性研究中Kaplan-Meier曲线的局限性问题。
2026-08-19 stat.CO stat.ME
A residual for outlier identification in zero adjusted regression models
零调整回归模型用于拟合在零处离散且在正实数的某个间隔处连续的变量。这些模型中的诊断分析通常使用随机分位数残差进行，这对于检查零调整回归模型的总体充分性非常有用。然而，它可能无法识别一些离群值。在这项工作中，我们介绍了零调整回归模型中的异常识别残差。蒙特卡罗模拟的研究和应用表明，这里介绍的残差具有良好的性能，并检测离群值，不确定的随机分位数残差。
2018-12-18 stat.ME
Covariate-adjusted Group Sequential Comparisons of Survival Probabilities
针对生存分析中比例风险假设违反导致I类错误膨胀和效能损失的问题，提出协变量调整的成组序贯检验方法，支持非PH下的期中分析，通过Markov结构渐近分布维持错误控制，并在模拟和临床试验中验证了稳健性。
2024-03-25 stat.ME
Restricted mean survival time estimate using covariate adjusted pseudovalue regression to improve precision
针对事件时间分析中协变量调整的难题，提出基于协变量调整伪值回归的RMST组间差异估计方法，可提升估计精度、控制I类错误，还能在不损失统计功效的前提下缩小随机研究样本量。
2023-07-19 stat.AP stat.ME
Multilevel network meta-regression for multistate models: Population-adjusted joint synthesis of progression and survival from individual and aggregate data
University of California, San Francisco（旧金山加利福尼亚大学）；UCSF Helen Diller Family Comprehensive Cancer Center（UCSF海伦·迪勒家族综合癌症中心）；The Philip R. Lee Institute for Health Policy Studies（菲利普·李健康政策研究所）；Precision AQ
本文介绍多状态模型的多级网络荟萃回归（ML-NMR-MS），将ML-NMR整合的IPD加AgD似然嵌入疾病-死亡多状态模型，解决协变量不平衡问题，产生人群调整的联合PFS/OS治疗效果，可直接参数化状态转换经济模型。
2026-11-03 stat.ME
Bayesian analysis of restricted mean survival time adjusted for covariates using pseudo-observations
本文提出一种结合伪观测与广义矩方法的新型贝叶斯方法，无需建模生存函数即可估计协变量调整的RMST，模拟与前列腺癌III期试验验证其有效性、精度及可解释性。
2025-03-27 stat.AP stat.ME
A Multi-parameter regression model for interval censored survival data
我们开发了灵活的多参数回归生存模型，用于纵向前瞻性研究和纵向随机对照临床试验中的区间删失生存数据。本文主要研究了一类全参数、非比例风险的多参数Weibull回归生存模型。我们描述的基本模型，开发的区间删失的可能性和扩展的模型，包括伽玛脆弱性和分散模型。我们通过模拟研究和信号Tandmobiel $^{\circledR}$研究数据的详细重新分析来评估模型。结果表明，多参数回归模型与脆弱性是计算效率高，并提供了一个很好的拟合数据。
2019-01-28 stat.ME
On High Dimensional Covariate Adjustment for Estimating Causal Effects in Randomized Trials with Survival Outcomes
这项工作的目的是提高效率，估计平均因果效应（ACE）的生存规模存在右删失和高维协变量信息。我们提出了新的估计使用正则化生存回归和生存随机森林（SRF），使调整高维协变量，以提高效率。我们研究了调整后的估计量在温和的假设下的行为，并从理论上保证了所提出的估计量在使用SRF进行调整时比未调整的估计量更有效。此外，这些调整后的估计量是$\sqrt{n}$ -一致的和渐近正态分布。通过仿真研究了该方法的有限样本行为，其结果与理论结果一致。我们还通过分析移植研究的真实数据来说明我们的方法，以确定相同同胞供体与不相关供体相比的相对有效性，并调整细胞遗传学异常。
2021-06-25 stat.ME
Conditional inference for high-dimensional multi-omics survival data
针对多组学生存数据中层级相关及高维参数推断难题，提出 MOFA-Cox 模型与因子调整去相关得分检验，并证明其零分布与局部功效。
2025-10-06 stat.ME
Semiparametric multi-parameter regression survival modelling
我们考虑生存数据的对数线性模型，其中位置和尺度参数都依赖于协变量，基线风险函数是完全未指定的。该模型提供了以相对较低的模型复杂性成本捕获生存数据的许多有趣特征所需的灵活性。估计程序的开发和渐近性质的估计使用经验过程理论。最后，给出了估计量的极限方差的一种估计方法。有限样本性质的估计进行了研究，通过模拟研究，并在肺癌数据的实际应用中示出。
2019-01-15 stat.ME
Longitudinal quantile regression in presence of informative drop-out through longitudinal-survival joint modeling
我们提出了一个联合模型的时间到事件的结果和一个分位数的连续响应重复测量随着时间的推移。分位数和生存过程通过共享的潜在变量和显式变量相关联。我们的联合模型提供了一个灵活的方法来处理信息脱落分位数回归。提出了一种基于重要性抽样的蒙特卡罗期望最大化策略，该策略可直接应用于纵向结果和随机效应的任意分布假设以及基线风险的参数和非参数假设。模型属性说明通过模拟研究和应用程序的原始数据集扩张型心肌病。
2014-04-04 stat.ME
Flexible modeling of nonnegative continuous data: Box-Cox symmetric regression and its zero-adjusted extension
Federal University of Rio Grande do Norte（北里奥格兰德联邦大学）；University of São Paulo（圣保罗大学）
本文提出Box-Cox对称回归模型及其零调整扩展，用于建模具有显著零比例的非负连续数据，通过最大似然估计和诊断工具分析其在零膨胀和偏斜数据中的应用效果。
2026-01-15 stat.ME
A bias-adjusted estimator in quantile regression for clustered data
该手稿讨论了如何将随机效应纳入聚类数据的分位数回归模型，重点是具有许多但较小聚类的设置。本文有三个贡献：（i）证明现有方法可能导致固定效应参数的严重偏倚估计;（ii）提出一种新的两步估计方法，其中首先通过伪似然方法计算随机效应的预测（LQMM方法）}，然后用作标准分位数回归中的偏移;（iii）提出了一种新的Bootstrap抽样方法，以减小两步估计量的偏差并计算置信区间。建议的估计和相关的推理进行了评估，通过严格的模拟研究和应用到艾滋病临床试验组（ACTG）的研究。
2022-02-23 stat.ME
Scalable Sparse Cox's Regression for Large-Scale Survival Data via Broken Adaptive Ridge
本文提出了一种新的可扩展稀疏Cox回归工具，用于稀疏高维海量样本量（sHDMSS）生存数据。该方法是通过重复执行重新加权的$L_2$-惩罚Cox回归的局部$L_0$-惩罚Cox回归。我们发现，由此产生的估计享有最好的$L_0$ -和$L_2$ -惩罚Cox回归，同时克服其局限性。具体而言，估计量是选择一致的，参数估计的预言，并具有高度相关的协变量的分组属性。仿真结果表明，当样本量较大时，所提出的方法与预先指定的调整参数具有可比或更好的性能比一些流行的惩罚回归方法。更重要的是，因为该方法自然地使得能够适应用于大规模$L_2$惩罚优化的有效算法，并且不需要昂贵的数据驱动的调谐参数选择，所以它对于sHDMSS数据具有显著的计算优势，在经验研究中提供了超过其最接近的竞争对手的平均5倍加速。
2018-07-25 stat.ME
A Flexible Partially Linear Single Index Proportional Hazards Regression Model for Multivariate Survival Data
本文提出一种扩展比例风险模型的灵活部分线性单指标模型，用于多元生存数据，通过分段常数基线、copula关联和样条单指标处理非线性效应，并采用全似然推断，模拟和实际数据验证其有效性。
2025-10-15 stat.ME
Debiased inference for a covariate-adjusted regression function
针对协变量调整回归函数的非参数推断问题，提出一种去偏局部线性估计量，可构建渐近有效置信区间与一致置信带，达最优收敛速度，并通过数值实验和空气污染对心血管死亡率影响的分析验证性能。
2023-12-15 stat.ME
Multi-Parameter Regression Survival Modelling with Random Effects
我们考虑生存数据的参数建模方法，其中允许协变量通过多个分布参数进入模型，即，规模和形状。这与具有单个协变量依赖参数（通常是尺度）的标准惯例形成对比。采用所谓的多参数回归（MPR）建模方法已被证明可以产生灵活和稳健的模型，模型复杂性成本相对较低。然而，从生存分析研究中获得聚类数据是很常见的，这在MPR背景下还没有得到充分的发展。本文的目的是通过在尺度和形状回归分量中引入随机效应来扩展MPR模型以处理多变量生存数据。我们考虑了这些随机效应（独立，共享和相关）的各种可能的依赖结构，并使用h-似然方法进行估计。我们的估计过程的性能进行了调查的方式进行了广泛的模拟研究，我们的建模方法的优点是通过应用程序说明两个真实的数据例子，肺癌数据集和膀胱癌数据集。
2021-11-16 stat.ME
Non-Smooth Backfitting for Excess Risk Additive Regression Model with Two Survival Time-Scales
本文提出了一种新的后拟合算法来估计Scheike（2001）的复杂结构的非参数生存模型，而无需使用平滑。所考虑的模型是一个非参数生存模型，具有两个时间尺度，相当于一个常数，随受试者而变化。协变量效应通过加性Aalen模型在每个时间尺度上线性建模。通过求解两个时间尺度上的局部估计方程，给出了两个时间尺度上的累积强度估计。我们能够估计的累积强度解决回拟合估计方程，而不使用平滑方法，我们提供了大样本特性和同步置信带。该模型被应用于心肌梗死的数据，提供了一个分离的两个影响，从诊断和年龄的时间。
2019-04-02 stat.ME
Gaussian process regression for survival time prediction with genome-wide gene expression
基于他/她的全基因组基因表达预测癌症患者的生存时间仍然是一个具有挑战性的问题。对于某些类型的癌症，基因表达对生存的影响既微弱又丰富，因此很难以合理的准确度识别非零效应。作为使用变量选择的方法的替代方案，我们提出了一个高斯过程加速失效时间模型，使用全基因组或全通路基因表达数据来预测生存时间。使用蒙特卡罗期望最大化算法，我们联合插补截尾对数生存时间和估计模型参数。我们证明了我们的方法的性能和现有的方法在模拟和真实数据分析的优势。我们分析的真实数据来自513名肾透明细胞癌患者，包括生存时间，人口统计学/临床变量和超过20，000个基因的表达。我们的方法是广泛适用的，因为它可以适应右，左，和区间删失的结果;并提供了一种自然的方式来结合多种类型的高维组学数据。实现我们方法的R包可以在线获得。
2018-08-30 stat.ME
The zero-adjusted log-symmetric quantile regression model applied to extramarital affairs data
在这项工作中，我们提出了零调整的对数对称分位数回归模型。首先，我们引入零调整的对数对称分布，它允许零的住宿。参数的估计采用极大似然法，并进行了蒙特卡罗模拟以评估估计值。最后，我们用一个真实的婚外情数据集来说明所提出的方法。
2021-05-09 stat.AP stat.ME
Threshold Regression for Survival Analysis: Modeling Event Times by a Stochastic Process Reaching a Boundary
许多研究人员已经研究了第一次击中时间作为生存数据的模型。首次命中时间自然出现在许多类型的随机过程中，从维纳过程到马尔可夫链。在生存环境中，基本过程的状态代表项目的强度或个人的健康状况。当过程首次达到不利阈值状态时，项目失败或个体经历临床终点。时间尺度可以是日历时间或退化或疾病进展的一些其他操作度量。在许多应用中，该过程是潜在的（即，不可观察）。阈值回归是指具有适应协变量数据的回归结构的首次命中时间模型。过程的参数、阈值状态和时间尺度可能取决于协变量。本文回顾了这一主题的各个方面，并讨论了富有成效的途径，为今后的研究。
2007-08-02 stat.ME
Generalized Bayesian Additive Regression Trees for Restricted Mean Survival Time Inference
本文提出面向个体RMST预测的广义贝叶斯加性树框架，利用IPCW损失处理信息删失，并通过模拟和乳腺癌多站点队列验证其性能。
2024-02-27 stat.ME
Network Meta-Analysis of Time-to-Event Endpoints with Individual Participant Data using Restricted Mean Survival Time Regression
本文提出了一种基于个体参与者数据的限制平均生存时间（RMST）网络荟萃分析（NMA）模型，用于研究治疗效果调节作用及亚组效应，并通过模拟研究与心房颤动真实数据验证了其有效性。
2023-10-19 stat.ME
Survival stacking: casting survival analysis as a classification problem
虽然有许多成熟的数据科学方法用于分类和回归，但处理右删失数据的方法相对较少。在这里，我们提出了“生存堆叠”：铸造生存分析问题的分类问题的方法，从而允许使用一般的分类方法和软件的生存设置。受Cox偏似然法的启发，生存堆叠在一个大数据框架中收集生存数据的特征和结果，并具有二进制结果。我们证明了逻辑斯谛回归的生存叠加近似等于考克斯比例风险模型。我们进一步推荐了在生存堆叠设置中评估模型性能的方法，并在真实和模拟数据上说明了生存堆叠。通过将生存问题重新定义为分类问题，我们使数据科学家能够在生存环境中使用众所周知的学习算法（包括随机森林，梯度提升机器和神经网络），并降低灵活生存建模的障碍。
2021-07-28 stat.ME
Tyranny-of-the-minority regression adjustment in randomized experiments
回归调整广泛用于随机化试验的分析，以提高处理效应的估计效率。本文重新审视了一种加权回归调整方法，称为少数民族（ToM），其中在少数群体中的单位给予更大的权重。我们证明了ToM回归调整比Lin 2013的回归调整更稳健，具有治疗-协变量相互作用，即使这两种回归调整方法在完全随机实验中是渐进等效的。此外，我们还将ToM回归调整扩展到分层随机实验、完全随机调查实验和聚类随机实验。我们得到了基于设计的性质的ToM回归调整平均处理效应估计在这样的设计。特别是，我们表明，ToM回归调整估计提高了渐近估计效率相比，未调整的估计，即使当回归模型是错误的，是最佳的线性调整估计类。我们还研究了各种异方差稳健标准误估计的渐近性质，并为从业者提供了建议。仿真研究和实际数据分析证明了ToM回归平差相对于现有方法的优越性。
2022-10-01 stat.ME
Risk-Adjusted Incidence Modeling on Hierarchical Survival Data with Recurrent Events
许多医疗保健计划一直需要及时解决感染预防和控制（IP&C）问题。例如，即使采用现有推荐的IP&C实践，病原体也可以在医疗保健系统内的住院和门诊环境中的囊性纤维化（CF）患者中传播，并且这些病原体通常与不良临床结果相关。由于有限和延迟的数据共享，CF程序需要一个可靠的方法来跟踪感染率。CF登记研究数据中有三种复杂的结构：复发性感染、缺失数据和由于患者内重复测量和患者间传播导致的多水平相关性。提出了逐步分析管道，以开发和验证风险调整模型，帮助医疗保健计划监测复发事件的数量，同时考虑右删失数据中的缺失数据和重复测量的层次结构。我们扩展了混合效应Andersen-Gill模型（脆弱性模型），调整了重要的风险因素，并提供了预测事件数量的置信区间，其中预测的变异性是从三个确定的来源估计的。估计置信区间的覆盖率用于评价模型性能。仿真结果表明，该方法的覆盖率接近所需的置信水平。为了证明其临床实用性，我们的管道被应用于使用美国登记处监测两种关键CF病原体的感染发生率。结果表明，在CF示例中，更接近感兴趣时间的年份更能预测未来的发病率。
2022-07-26 stat.AP stat.ME
Cox Regression on the Plane
Technion – Israel Institute of Technology（以色列理工学院）；Hebrew University of Jerusalem（耶路撒冷希伯来大学）；Sheba Medical Center, Tel Aviv University（谢巴医疗中心，特拉维夫大学）；London School of Hygiene & Tropical Medicine（伦敦卫生与热带医学院）；New York University（纽约大学）；Tel Aviv University（特拉维夫大学）
提出两种基于Lehmann型表示的Cox比例风险模型扩展，用于双变量生存数据，通过伪观测方法估计回归参数，并证明估计量的一致性和渐近正态性。
2026-06-12 stat.ME
Unbiased Regression-Adjusted Estimation of Average Treatment Effects in Randomized Controlled Trials
Massachusetts Institute of Technology（麻省理工学院）
本文提出留一法回归调整（LOORA）方法，用于估计随机对照试验中的平均处理效应。LOORA在有限样本中消除传统回归调整的偏差，提供精确的方差公式，并在大样本中与Lin（2013）的回归调整估计量方差匹配，同时保持无偏性。
2026-05-07 econ.EM stat.ME
A Quantile Regression Model for Failure-Time Data with Time-Dependent Covariates
由于生存数据随着时间的推移而发生，因此我们希望考虑的重要协变量通常也会随着时间的推移而变化。这些协变量称为时间依赖性协变量。分位数回归允许协变量随分位数变化，从而为生存数据提供灵活的建模。本文提出了一种新的含有时间依赖协变量的分位数回归模型，用于分析右删失下的生存数据。我们的简单估计技术假设存在工具变量。此外，我们提出了Robins和Rotnitzky（1992）意义下的双稳健估计。估计的渐近性质进行了严格的研究。通过模拟研究证明了煤样的性质。使用斯坦福心脏移植数据集证明了所提出的方法的实用性。
2014-04-30 stat.ME
A Unified Bayesian Nonparametric Framework for Ordinal, Survival, and Density Regression Using the Complementary Log-Log Link
本文提出统一贝叶斯非参数框架，利用互补对数-对数链接解决有序回归、生存分析和密度回归问题，结合贝叶斯加性回归树实现便捷计算并验证理论性质。
2025-02-02 stat.ME
Bayesian Nonparametric Bivariate Survival Regression for Current Status Data
我们考虑基于当前状态数据的事件时间分布的非参数推断。我们发现，在这种情况下，传统的混合先验，包括流行的狄利克雷过程混合先验，导致生物学上无法解释的结果，因为它们不自然地倾斜的概率质量的事件时间对极端的观测数据。对相关删失的简单假设可以解决这个问题。然后，我们将讨论扩展到两个结果的偏序的二元当前状态数据。除了相关的删失，我们还利用了一些最小的已知结构有关的两个事件的时间。我们设计了一个用于后验模拟的马尔可夫链蒙特卡罗算法。应用于复发性感染的研究，该方法提供了新的见解，如何受协变量的影响与艾滋病相关的医院就诊。
2020-09-22 stat.ME
Estimation of Extreme Survival Probabilities with Cox Model
我们提出了一个扩展的常规Cox比例风险模型，它允许估计的概率罕见的事件。众所周知，当数据在生存分布的上端被重删失时，生存分布尾部的估计是不可靠的。为了估计超出最后观测数据的分布，我们假设生存数据在Fréchet分布对协变量有条件的吸引域中。在此条件下，通过Fisher-Tippett-Gnedenko定理，基线分布的尾部可以由参数$θ$超过阈值$τ$的Pareto分布调整。以协变量为条件的生存分布很容易从基线计算。我们还提出了一个总的估计的生存概率。一个程序允许自动选择的阈值和两个数据集上的应用程序。
2019-01-22 stat.ME
Generalized win fraction regression for composite survival endpoints
Shenzhen Technology University（深圳理工大学）；Yale School of Public Health（耶鲁大学公共卫生学院）
本文提出了一种广义胜利分数回归框架，用于优先考虑的复合生存终点。通过选择链接函数建模条件胜利分数，统一处理多组件时间到事件终点。采用逆概率删失加权估计方程处理右删失，建立了新的效应度量。通过模拟检验了方法的有限样本性能。
2026-04-07 stat.ME
Application of Cox Model to predict the survival of patients with Chronic Heart Failure: A latent class regression approach
大多数用于医学研究的预测模型由于方法上的限制而无法准确预测健康结果。使用常规收集的患者数据，我们探索使用Cox比例风险（PH）模型在一个潜在的类框架，以模拟慢性心力衰竭（CHF）患者的生存。我们根据现有的协变量，根据患者的风险确定患者亚组。我们允许每个子组拥有自己的风险模型。我们根据报告的贝叶斯信息标准（BIC）选择最佳类别数量。我们使用所有交叉验证和自举样本的受试者工作特征曲线（AUC）下的面积来评估所选模型的区分能力。我们进行了模拟研究，以比较我们的模型的预测性能。我们提出的潜在类模型优于标准的一类Cox PH模型。
2019-07-18 stat.ME
Regression-Adjusted Estimation of Quantile Treatment Effects under Covariate-Adaptive Randomizations
协变量自适应随机化（CAR）田间试验的数据集通常包含额外的协变量，除了层指标。我们建议通过辅助回归将这些额外的协变量纳入CAR下无条件分位数处理效应（QTE）的估计和推断中。我们建立了回归调整QTE估计的相合性和极限分布，并证明了在CAR下使用乘子自助推断是非保守的。当数据是高维的时，辅助回归可以参数化地、非参数化地或通过正则化来估计。即使在辅助回归被错误指定的情况下，所提出的自举推理过程仍然在零值下的极限内达到名义拒绝概率。当正确指定辅助回归时，回归调整估计量达到最小渐近方差。我们还讨论了形式的调整，可以提高效率的QTE估计。有限样本的新的估计和推理方法的性能进行了研究，在模拟和经验应用到一个著名的数据集有关扩大获得基本的银行账户储蓄报告。
2022-09-05 econ.EM stat.ME
Zero-adjusted Birnbaum-Saunders regression model
本文介绍了零调整的Birnbaum-Saunders回归模型。这个新模型推广了至少七个Birnbaum-Saunders回归模型。这种建模的思想是将零处的退化分布与Birnbaum-Saunders分布混合。除了考虑多余零的能力之外，零调整的Birnbaum-Saunders分布还为右偏数据产生了一个有吸引力的建模结构。在该模型中，Birnbaum-Saunders分布的平均值和精度参数以及零的概率可以通过链接函数与线性和/或非线性预测因子相关。我们推导出一种类型的残差进行诊断分析和扰动计划，以确定那些观察施加不寻常的影响估计过程。最后，两个实际数据的应用程序显示了该模型的潜力。
2018-02-01 stat.AP stat.ME
Estimating Intractable Posterior Distributions through Gaussian Process regression and Metropolis-adjusted Langevin procedure
针对昂贵且含噪/不完整数据下的贝叶斯校准难题，提出用 Gaussian Process Regression 序贯代理对数似然并结合 Metropolis-Adjusted Langevin Algorithm 高效推断后验。
2025-06-16 stat.ME
Adaptive bridge regression modeling with model selection criteria
我们考虑的问题，建立一个自适应的桥梁回归模型，这是一个惩罚的过程，通过施加不同的权重，以不同的系数在桥梁惩罚项。建模过程中的一个关键问题是模型中调整参数的选择。我们把调整参数的选择作为模型选择和评价问题。为了选择参数，模型选择准则是由信息论和贝叶斯方法推导出来的。我们进行了一些数值研究，调查我们提出的建模策略的有效性。
2012-08-28 stat.ME
Location-adjusted Wald statistics for scalar parameters
对感兴趣的标量参数的推断是一个核心的统计任务，吸引了大量的统计研究。Wald统计量是该任务的主要候选者，其理由是标准正态逼近其有限样本分布的渐近有效性、简单性和低计算成本。然而，众所周知，这种正态近似可能是不够的，特别是当样本量相对于参数数量较小或中等时。提出了一种新的，代数调整的沃尔德统计，提供显着的改进，推理性能只有很小的实现和计算开销，主要是由于额外的矩阵乘法。Wald统计量被视为模型参数转换的估计值，并使用极大似然或减少偏倚估计量进行适当调整，使其期望值渐近接近零。位置调整取决于预期信息、估计量偏差的近似值以及变换的导数，这些都可以在大量模型的标准软件中随时获得或容易获得。在一般模型中的位置调整的Wald统计的实施算法，以及一个引导方案的位置调整的统计量的进一步规模校正。充分的分析和数值证据，通过位置调整的统计量在突出的建模设置，包括对对数几率和二项式比例的推断，逻辑斯谛回归在滋扰参数的存在下，β回归和伽马回归。位置调整的Wald统计量用于构建显著性图，用于分析来自MRI数据的多发性硬化病变。
2019-03-11 stat.ME
Cox Regression Model Under Dependent Truncation
截断是一种统计现象，发生在许多时间到事件的研究。例如，尸检证实的神经退行性疾病的研究受到固有的左右截断，也称为双截断。当目标是研究风险因素对生存的影响时，当数据受到截断时，不能使用标准Cox回归模型。在Cox回归模型中，现有的调整左截断和右截断的方法要求生存时间和截断时间之间的独立性，这在实践中可能不是合理的假设。我们提出了一个期望最大化算法，放宽了在左，右，或双截断下的Cox回归模型的独立性假设，条件独立的假设。所得的回归系数估计是相合的且渐近正态的。我们证明，通过广泛的模拟，建议的估计有很小的偏差，在大多数实际情况下，有一个较低的均方误差相比，现有的估计。我们实施我们的方法来评估职业对尸检证实的阿尔茨海默病受试者生存的影响。
2018-03-26 stat.ME
Efficient Estimation For The Joint Model of Survival and Longitudinal Data
在生存研究中，重要的是记录关键纵向协变量的值，直到受试者事件发生。因此，必须使用联合模型研究纵向和事件发生时间结局之间的关联。本文应用剖面似然法估计了生存与纵向数据联合模型的累积危险度和回归参数。此外，我们通过对轮廓似然的渐近展开，证明了轮廓似然估计的渐近正态性，并得到了方差估计的显式形式。联合模型的回归参数的估计是半参数有效的。
2021-06-08 stat.ME
While-alive regression analysis of composite survival endpoints
针对复合生存结局存活期间指标缺乏时变效应回归方法的问题，本文开发了基于样条函数的回归框架，可处理独立和整群数据，推导了渐近性质并经模拟验证，还应用于两项临床试验数据，方法已在WAreg R包实现。
2025-11-12 stat.AP stat.ME
Propensity score weighted Cox regression for survival outcomes in observational studies with multiple or factorial treatments
Qiuzhen College, Tsinghua University（清华大学邱耀学院）；Duke University（杜克大学）
本文提出了一种基于倾向评分加权的Cox回归方法，用于估计多重或因子治疗在观察性研究中生存结局的因果危险比，并开发了相应的R包。
2026-01-30 stat.ME
Multilevel network meta-regression for general likelihoods: synthesis of individual and aggregate data with applications to survival analysis
University of Bristol（布里斯托大学）；University of York（约克大学）
本研究将多层网络Meta回归（ML-NMR）扩展至任意形式的个体层面似然，通过积分AgD协变量分布得到边际似然，解决了原方法无法应用于时间-事件结局的问题，验证了其精度表现并提供了开源实现。
2024-01-24 stat.ME
Selection of tuning parameters in bridge regression models via Bayesian information criterion
我们考虑的桥梁线性回归建模，它可以产生一个稀疏或非稀疏模型。模型建立过程中的一个关键点是调整参数的选择，包括正则化参数和调整参数的桥梁回归模型。调整参数的选择可以看作是一个模型选择和评估问题。本文提出了一种基于贝叶斯方法的桥梁回归模型评价的模型选择准则。该选择标准使我们能够客观地选择调整参数。我们调查我们提出的建模策略的有效性，通过一些数值例子。
2012-04-14 stat.ME stat.ML
Regression to the Mean-Adjusted Sample-Size Determination for Cutoff-Selected Single-Arm Pre-Post Studies
University of California, San Francisco（旧金山加州大学）
该研究提出一种基于回归均值调整的闭式样本量方法，用于截断选择的单臂前后测研究，通过Stata命令实现并验证其效能控制。
2026-09-24 stat.ME
