Wild Bootstrap and Efron's Bootstrap for Debiased Cox Regression
University of Augsburg（奥格斯堡大学）
该研究针对Cox Lasso选择后去偏Cox估计量的系数推断问题，提出Wild Bootstrap与Efron Bootstrap两种方法，经模拟验证其渐近有效性与有限样本表现，可提升区间覆盖准确性，并通过SUPPORT2数据集示例说明应用。
2026-08-26 stat.ME
Bayesian inference on Cox regression models using catalytic prior distributions
针对小样本下Cox模型最大偏似然推断的问题，提出Cox催化先验分布，推导正则化对数偏似然估计，证明其一致性，实验显示其性能优于标准方法且与现有收缩方法相当。
2024-12-14 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
Cox regression analysis for distorted covariates with an unknown distortion function
我们研究了删失生存数据的推断，其中一些协变量被乘法形式的可观察混杂变量的一些未知函数所扭曲。医学研究中此类数据的例子是，通常的做法是通过患者的体重指数（BMI）、体重或年龄对一些重要的观察到的暴露变量进行标准化。这种现象也经常出现在环境研究中，其中环境测量用于归一化，以及在基因组研究中，其中文库大小需要针对下一代测序数据进行归一化。本文提出了一种新的协变量调整Cox比例风险回归模型，利用核平滑方法对模型的失真函数进行估计，然后利用估计的极大似然方法得到回归参数的估计。我们建立了所提出的估计的大样本性质。大量的仿真研究表明，所提出的估计执行良好的校正所产生的偏差失真。使用来自国家威尔姆斯肿瘤研究（NWTS）的真实数据集来说明所提出的方法。
2020-06-02 stat.ME
Efficient Gibbs Sampling in Cox Regression Models Using Composite Partial Likelihood and Pólya-Gamma Augmentation
针对Cox回归贝叶斯方法基线风险建模复杂、计算低效的问题，提出GS4Cox全吉布斯采样器，结合广义贝叶斯框架、复合部分似然、Pólya-Gamma增强及仿射校准，实现高效采样并提升估计性能。
2025-11-18 stat.ME
When to encourage using Gaussian regression for feature selection tasks with time-to-event outcome
重要提示：关于事件发生时间结局的特征选择是临床试验和生物标志物发现研究中的基本问题之一。但当样本量较小或某些关键协变量未被测量时，应使用何种统计方法尚不清楚。设计：真实模型为10个协变量的多变量考克斯比例风险模型。假设对于所有模型拟合，10个真实特征中只有5个被观察/测量，以及5个随机噪声特征。每个样本量方案都使用10，000个模拟数据集进行了探索。对每个数据集应用八个回归模型来估计特征效应，包括正则化高斯回归（弹性网惩罚）和正则化Cox回归（glmnet Cox）。研究结果：如果协变量是高度相关的高斯，则当事件总数<500时，只有两个协变量的对数转换生存时间的高斯回归优于所有测试的Cox回归模型。
2022-10-13 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
Optimal Cox Regression Subsampling Procedure with Rare Events
针对含稀有事件的大规模生存数据集计算难题，提出为删失样本分配最优采样概率、保留全部失效事件的Cox回归子采样估计量，证明其渐近性质并通过模拟和UK Biobank结直肠癌数据验证有效性。
2022-01-30 stat.ME
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
Orthogonal Validation-Augmented Cox Regression with Internally Validated Failure Indicators Cross-Fitted Estimation, Risk-Set Linearization, and Validation Design
Michigan State University（密歇根州立大学）
针对内部验证样本仅能提供部分金标准事件分类的问题，提出正交验证增强Cox（OVAC）回归，该方法可降低经验方差，实现双稳健识别与校准推断，为Cox估计提供机器学习兼容方案及验证设计指导。
2026-09-01 stat.ME
Information Borrowing for Cox Regression with an Auxiliary Outcome
Shanxi University（山西大学）；Bristol Myers Squibb（百时美施贵宝）；Takeda Pharmaceuticals（武田制药）；University of Pennsylvania（宾夕法尼亚大学）
本文提出一种半参数方法，通过二次惩罚将辅助结局信息纳入Cox回归，在效应一致时借用信息，不一致时自适应调整，以降低估计方差并保持有效性。
2026-09-29 stat.ME
Logistic Box-Cox Regression to Assess the Shape and Median Effect under Uncertainty about Model Specification
连续暴露变量和二元疾病变量之间关系的形状通常是流行病学调查的核心。本文探讨了一些问题的推理和形状的关系。假设这种关系可以用回归系数和形状参数来表示，我们研究了在可能代表流行病学调查和风险评估的环境中可以推断出形状的程度。我们还考虑了一个合适的定义的中位数效应的曝光，并调查如何准确地推断这一点。这在使用承认关于形状参数的不确定性的模型的情况下以及在忽略该不确定性并使用两步方法的情况下完成，其中在步骤一中，我们变换预测器，并且在步骤二中，我们用变换的预测器拟合简单的线性模型。所有这些调查都需要一个家庭的确定性疾病的关系索引的形状参数。为此，我们采用基于Box-Cox变换的族。
2019-01-31 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
A Penalized Functional Linear Cox Regression Model for Spatially-defined Environmental Exposure with an Estimated Buffer Distance
针对环境暴露评估中缓冲区距离不确定的问题，提出基于惩罚函数线性Cox回归的域选择算法，并在护士健康研究中验证了绿色空间与抑郁的关联。
2023-12-31 stat.ME
Combining Cox Regressions Across a Heterogeneous Distributed Research Network Facing Small and Zero Counts
越来越多的医疗干预措施的影响研究发生在分布式研究环境中，使用来自多个临床数据源的数据，包括电子健康记录和行政索赔。在这种情况下，隐私问题通常禁止共享个体患者数据，相反，分析只能利用来自个体数据库的汇总统计数据。在特定的，但非常常见的情况下，考克斯比例风险模型，我们表明，标准的Meta分析方法，然后导致大量的偏见时，结果计数很小。这种偏差主要来自方法使用的正态近似。在这里，我们提出和评估的方法，避开正常的近似，有利于三个更灵活的近似：一个偏正态，一维网格，自定义参数函数，模仿行为的Cox似然函数。在广泛的模拟研究中，我们展示了这些近似值如何在固定效应和（贝叶斯）随机效应模型的背景下影响偏倚。然后，我们将这些方法应用于三项关于抗抑郁药比较安全性的真实世界研究，每项研究都使用了来自四个观察性医疗数据库的数据。
2021-01-05 stat.ME
Substantive-Model-Compatible Multiple Imputation for Cox Regression with a Diverging Number of Covariates
Department of Biostatistics, University of Michigan, Ann Arbor（密歇根大学生物统计系）
本文提出了一种半参数多重插补框架，用于处理具有发散维度的Cox回归中缺失协变量的问题，通过Cox模型似然贡献驱动的高维SMC-FCS过程进行插补，并结合拒绝采样和岭正则化后验抽样以保持模型兼容性，最终通过Rubin规则结合去偏估计器和插补内部方差估计进行推断。
2026-05-20 stat.ME
Active-set algorithms based statistical inference for shape-restricted generalized additive Cox regression models
近年来，形状限制推论在统计和计量经济学文献中得到广泛的应用，以放松回归分析中的线性或二次协变量效应。典型的形状限制协变量效应包括单调递增、递减、凸性或非凸性。本文将形状限制推断引入到著名的Cox回归模型（SR-Cox）中，其中协变量响应被建模为形状限制的可加函数。SR-Cox回归使用样条基扩展和数据驱动的节点选择来近似形状限制函数。将负对数似然函数的最小化问题转化为一个凸优化问题，并采用有效集优化算法求解。该算法的特点是能自动消除多余节点。当协变量效应包括具有未知形式和线性项的凸项或凹项的组合时，最有趣的发现是SR-Cox产生准确的线性协变量效应估计，如果形式确实已知，则其与最大偏似然估计相当。我们的结论是，凹或凸SR-Cox模型可以显着提高非线性协变量响应恢复和模型拟合优度。
2021-07-02 stat.ME stat.ML
The Cox-Polya-Gamma Algorithm for Flexible Bayesian Inference of Multilevel Survival Models
本文提出Cox-Polya-Gamma算法，通过泊松过程近似与充分降维策略，解决贝叶斯多层Cox半参数回归中非参数基线累积风险的单调性约束计算难题，并给出算法的一致遍历性条件。
2024-11-23 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
Semiparametric efficient estimation of the Cox regression coefficient when there can be ties
Bowdoin College（鲍登学院）
本研究针对存在删失数据的Cox模型，推导了回归系数的效率界，证明了Cox的精确估计量渐近有效，并提出了计算复杂度更低的等价估计量。
2026-08-13 math.ST stat.ME stat.TH
Multiple imputation in Cox regression when there are time-varying effects of exposures
在Cox回归中，研究暴露的时变效应（TVE）和检验比例风险假设有时很有意义。TVE可通过将对数风险比建模为时间函数进行研究。缺失暴露数据很常见，多重插补（MI）是处理这一问题的常用方法，以避免“完整病例”分析导致的潜在偏倚和效率损失。当实质性模型是Cox比例风险回归时，已经提出了两种MI方法：近似方法（White和Royston，Statist. 2009;28：1982-98）和实质模型相容方法（Bartlett等人，SMMR 2015;24：462-87）。目前，这两种方法都不适用于暴露的TVE。我们扩展他们这样做的一般形式的TVE，并给出具体的细节TVE建模使用限制三次样条。模拟研究评估的性能的方法下，几个基本的形状TVE。我们提出的方法给出了近似无偏的TVE估计的二进制曝光与缺失数据，但连续曝光的实质模型兼容的方法表现得更好。该方法还给出了近似正确的第一类错误在测试中的比例风险时，没有TVE，并获得功率检测TVE相对于完整的情况下分析。在插补阶段忽略TVE会导致TVE估计值偏倚、不正确的第一类错误和检测TVE的功效大幅损失。我们还提出了一个多变量TVE模型选择算法。该方法说明使用鹿特丹乳腺癌研究的数据。提供了示例R代码。
2017-06-28 stat.ME
A Non-Parametric Box-Cox Approach to Robustifying High-Dimensional Linear Hypothesis Testing
针对高维线性假设检验的模型误设问题，提出非参数Box-Cox框架及对应稀疏估计算法与三类检验方法，证明其极限分布性质，通过模拟和超市数据验证了方法的有效性与必要性。
2024-05-21 stat.ME
Robust and Efficient Estimation in the Parametric Cox Regression Model under Random Censoring
Cox比例风险回归模型是分析截尾寿命变量与其他相关因素之间关系的常用工具。半参数Cox模型被广泛用于研究来自医学、生物学、可靠性研究等应用学科的不同类型的数据。如果适当指定，Cox回归模型的全参数版本可以产生更有效的参数估计，从而产生更好的洞察力。然而，现有的极大似然方法产生的推断下的全参数Cox回归模型是非常不稳健的数据污染，限制了它的实际应用。本文基于最小密度幂散度方法，给出了参数Cox回归模型的一种稳健估计方法。建议的最小密度功率发散估计被认为是产生高度稳健的估计数据污染下，只有轻微的损失，纯数据下的效率。此外，它们总是被认为比半参数Cox模型或其现有稳健版本下的基于似然的估计产生更精确的推断。我们还勾画了推导的渐近性质的估计，使用鞅的方法，并证明其鲁棒性理论上通过影响函数分析。通过仿真和一个实际数据例子说明了该建议的实用性和有效性。
2018-10-06 math.ST stat.ME stat.TH
A Bayesian framework for case-cohort Cox regression: application to dietary epidemiology
病例队列研究设计通过仅收集整个队列的一小部分的某些昂贵的协变量来绕过资源限制。加权Cox回归是Cox模型中分析病例队列数据最广泛使用的方法，但效率低下。基于多重插补和非参数极大似然的替代方法分别遭受不相容性和计算问题。我们介绍了一种新的贝叶斯框架的情况下，队列Cox回归，避免了上述问题。用户可以包括辅助变量，以帮助预测未测量的昂贵的协变量与他们选择的预测模型，而讨厌的参数的模型是非参数化指定和集成。可以使用基于伪边缘MCMC算法的程序来进行后验采样。该方法可以有效地扩展到大型复杂的数据集，正如我们的应用所证明的那样：使用EPIC-Norfolk研究调查饱和脂肪酸与2型糖尿病之间的关联。作为我们分析的一部分，我们还开发了一种新的方法来处理Cox模型中的成分数据，与以前的研究相比，得到了更可靠和更可解释的结果。我们的方法的性能与广泛的模拟说明。用于生成本文结果的代码可以在https://github.com/andrewyiu/bayes_cc上找到。
2021-09-09 stat.AP stat.ME
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
Variable selection via Group LASSO Approach : Application to the Cox Regression and frailty model
在补充了临床信息和高维基因表达数据的生存结局分析中，使用传统的考克斯比例风险模型（1972）无法满足生物医学研究中的一些新兴需求。首先，协变量的数量通常远大于样本量。其次，基于单个基因表达预测结果是不够的，因为多种生物过程和功能途径调节与基因相关的表达。另一个挑战是，考克斯模型假设人口是同质的，这意味着所有人都有相同的死亡风险，这是很少正确的，因为人口中的风险因素无法测量。在本文中，我们提出了一组LASSO与伽玛分布的脆弱性Cox回归变量选择，通过扩展以前的奖学金，以解释与暴露和易感性相关的组结构之间的异质性。所提出的方法的一致性性质的建立。这种方法适用于解决从遗传学到空气污染的各种研究问题。仿真分析表明，与其他方法，包括组SCAD和组MCP相比，组LASSO具有良好的性能。未来的发展方向包括使用自适应组LASSO和稀疏组LASS扩展脆弱性。
2018-02-23 stat.CO stat.ME
Statistical Inference for Cox Proportional Hazards Models with a Diverging Number of Covariates
对于协变量个数不同的回归模型的统计推断，现有文献通常对费舍尔信息矩阵的逆矩阵作稀疏性假设。然而，在Cox比例风险模型下，这些假设经常被违反，导致覆盖范围不足的置信区间的有偏估计。我们提出了一种改进的去偏套索方法，它解决了一系列的二次规划问题来近似逆信息矩阵，而不构成稀疏矩阵的假设。当协变量的维数随样本量而异时，我们建立了估计回归系数的渐近结果。大量的模拟表明，我们提出的方法提供了相合估计和置信区间与标称覆盖概率。该方法的实用性通过评估遗传标记对波士顿肺癌生存队列患者总生存率的影响进一步证明，波士顿肺癌生存队列是一项调查肺癌潜在机制的大规模流行病学研究。
2021-06-06 stat.ME
Deep Cox Mixtures for Survival Regression
Google Research（谷歌研究院）；Carnegie Mellon University（卡内基梅隆大学）
生存分析是回归建模的一个具有挑战性的变化，因为存在删失，其中结局测量仅部分已知，例如，由于失访。这些问题在医疗应用中经常出现，使得生存分析成为生物统计学和医疗保健机器学习的关键工作，Cox回归模型是最常用的模型之一。我们描述了一种新的生存分析回归模型的方法，基于学习混合Cox回归模型的个人生存分布。我们提出了一个近似的期望最大化算法，这个模型做硬分配的混合组，使优化效率。在每组分配中，我们使用深度神经网络拟合每组内的风险比，并以非参数方式拟合每个混合组分的基线风险。我们在多个真实世界的数据集上进行实验，并查看不同种族和性别的患者死亡率。我们强调了校准在医疗保健环境中的重要性，并证明了我们的方法在区分性能和校准方面优于经典和现代生存分析基线，在少数群体人口统计学方面的性能有很大提高。
2022-06-27 cs.LG stat.ME stat.ML
FDR-Controlled Variable Selection for Generalized Linear Models and Cox Regression with Virtual Dummies
TU Darmstadt（达姆施塔特工业大学）
本文提出一种基于虚拟哑变量的FDR控制变量选择方法，适用于广义线性模型和Cox回归，通过扩展T-Rex选择器，在保持分布等价性下实现内存高效选择，并经模拟和真实数据验证。
2026-09-25 eess.SP stat.ME
Weighted Cox regression for the prediction of heterogeneous patient subgroups
临床医学中的一项重要任务是基于基因表达数据等高维分子测量构建特定亚组患者的风险预测模型。建模高维数据的主要目标是良好的预测性能和特征选择，以找到真正与临床结局（如事件发生时间终点）相关的预测因子子集。在临床实践中，这项任务是具有挑战性的，因为患者队列通常很小，并且在预测因子和结果之间的关系方面可能是异质的。当具有相同或相似疾病的几个亚组患者的数据可用时，将它们合并以增加样本量是诱人的，例如在多中心研究中。然而，亚组之间的异质性可能导致偏倚结果，亚组特异性效应可能无法检测到。对于这种情况下，我们提出了一个惩罚Cox回归模型与加权版本的Cox偏似然，包括所有亚组的患者，但分配给他们的个人权重的基础上，他们的亚组隶属关系。可能属于关注亚组的患者在亚组特异性模型中获得更高的权重。我们提出的方法通过模拟和应用于真实的肺癌队列进行评估。仿真结果表明，我们的模型可以实现改进的预测和变量选择的准确性比标准的方法。
2020-03-19 stat.AP stat.ME
CauchyCP: a powerful test under non-proportional hazards using Cauchy combination of change-point Cox regressions
针对非比例风险数据，提出CauchyCP检验，结合变点Cox回归的Cauchy组合，在控制I类错误、提高功效和计算效率上优于现有方法，并已在CRAN发布R包。
2020-12-31 q-bio.GN stat.AP 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
Correlation-Adjusted Regression Survival Scores for High-Dimensional Variable Selection
背景资料：个性化医疗分类方法的发展高度依赖于预测性遗传标记的鉴定。在生存分析中，经常需要区分有影响和无影响的标志物。通常，第一步是执行单变量筛选步骤，根据标记物与结果的关联对标记物进行排名。通常使用Cox评分进行筛选，Cox评分量化了生存与每个标记物之间的关联。由于Cox评分不考虑标记物之间的依赖性，因此在存在高度相关的标记物的情况下，它们的使用是次优的。研究方法：作为Cox评分的替代，我们提出了右删失生存结局的相关调整回归生存（CARS）评分。通过去除标志物之间的相关性，CARS评分量化了结果与“去相关”标志物值集之间的关联。分数的估计基于逆概率加权，其应用于对数转换的事件时间。对于高维数据，估计是基于收缩技术。结果：在轻度正则条件下，CARS评分具有一致性。在模拟中，基于CARS分数排名的生存模型比竞争方法获得了更高的精确度-召回率曲线下的面积。在前列腺癌和乳腺癌上的两个示例应用证实了这些结果。CARS评分在R软件包carSurv中实现。结论：在涉及高维遗传数据的研究应用中，即使协变量之间的相关性较低，使用CARS评分进行标记选择也是Cox评分的有利替代方案。CARS评分具有简单的解释和低计算要求，是个性化医学研究中易于使用的筛选工具。
2018-02-24 stat.ME
Bias-corrected Cox regression with AI-extracted covariates via calibration summary statistics
Northwell Health
研究针对协变量受AI提取误差影响的情况，为Cox比例风险模型开发偏差校正框架，通过多变量校准框架分解偏差，给出校正估计器、置信区间及诊断方法，经合成数据实验验证可有效减少偏差并实现接近名义覆盖。
2026-07-29 stat.ME stat.ML
Bayesian Cox Regression for Large-scale Inference with Applications to Electronic Health Records
Cox模型是一种不可或缺的时间-事件分析工具，特别是在生物医学研究中。然而，医学正在经历一场深刻的变革，以前所未有的规模产生数据，为研究和理解疾病开辟了新的领域。随着收集的数据的丰富，统计推断出现了新的挑战，因为数据集通常是高维的，在不规则间隔的时间点显示出越来越多的测量值，并且太大而无法容纳在内存中。目前许多时间-事件分析的实现都不适合这些问题，因为推理在计算上要求很高，并且需要一次访问全部数据。在这里，我们提出了一个贝叶斯版本的计数过程表示考克斯的偏似然有效的推理大规模数据集与数百万个数据点和数千个时间相关的协变量。通过结合随机变分推断和对数似然的重新加权，我们获得了对数据子样本进行因子分解的后验分布的近似，从而能够在大数据环境中进行分析。至关重要的是，该方法为大规模和高维数据集提供了可行的不确定性估计。我们通过模拟研究和在英国生物银行心肌梗死的应用程序，我们的方法的实用性。
2023-03-06 stat.AP stat.ME
Optimal Cox regression under federated differential privacy: coefficients and cumulative hazards
University of Warwick（华威大学）
本文研究了在联邦差分隐私下分布式生存分析中的两个基础问题，即Cox回归系数和累积基线危险函数的估计，考虑了异质样本量和隐私预算。通过推导最小最大下界和上界，揭示了隐私与非隐私 regime 之间的服务器级相变，并提出了一种基于树的Breslow估计器用于非参数积分估计。
2026-10-20 math.ST stat.ME stat.TH
Confidence intervals for high-dimensional Cox models
在协变量数可能大于样本量的高维Cox比例风险回归模型中，构造回归系数的置信区间。我们的去偏估计量构造类似于Zhang and Zhang（2014）和van de Geer et al.（2014），但时间相关协变量和删失风险集引入了相当多的额外挑战。我们的理论结果，这提供了条件下，我们的置信区间是渐近有效的，支持广泛的数值实验。
2018-03-03 math.ST stat.ME stat.TH
Calibration of prediction rules for life-time outcomes using prognostic Cox regression survival models and multiple imputations to account for missing predictor data with cross-validatory assessment
Leiden University Medical Center（莱顿大学医学中心）
在本文中，我们扩大了方法，在Mertens等。al（2020，Biometrical Journal）的研究，该研究受删失的影响，并且当插补用于解释缺失值时。我们考虑的问题，缺失值可能会发生在校准数据以及新的预测观测（验证）。我们关注的是考克斯模型。描述了在删失的生存建模中将插补与预测校准相结合的方法。交叉验证的应用进行了讨论。我们展示了结论如何广泛地证实了第一篇仅限于二元结果研究的论文。具体来说，预测平均似乎具有优越的统计特性，特别是较小的预测变化，而不是直接应用鲁宾的规则。当使用鲁宾的基于规则的方法时，讨论了处理基线危险的不同方法。
2021-05-04 cs.LG stat.AP stat.ME
A-Collapsibility of Distribution Dependence and Quantile Regression Coefficients
尤尔-辛普森悖论指出，当对背景变量取平均值时，随机变量之间的关联可以逆转。Cox和Werlington（2003）引入了两个随机变量X和Y之间的分布相关性的概念，并发展了两个相关性条件，每个条件都保证不会发生反转。Ma，Xie and Geng（2006）在一个较强的齐性条件下研究了分布依赖对背景变量W的可验证性。可折叠性确保了条件模型和边际模型的关联保持不变，因此Yule-Simpson反转不会发生。在本文中，我们研究了一个更一般的条件，以避免效果逆转：A-可解释性。Cox和Werenstein的条件意味着A-可解释性，而不假设同质性。事实上，我们表明，当W是一个二元变量，可扩展性相当于A-可扩展性加上齐次性，和A-可扩展性是等价的条件Cox和Werenstein。最近，Cox（2007）将Cochran关于条件和边际模型回归系数的结果扩展到分位数回归系数。Cox条件和Werenstein条件是分位数回归系数A-可检验的充分条件。如果W的条件分布，在给定Y = y和X = x的情况下，属于一维自然指数族，则它们也是必要的。A-accessibility的一些应用包括列联表、线性回归模型和分位数回归模型的分析。
2011-10-08 math.ST stat.AP stat.ME
Vaccine sieve analysis on deep sequencing data using competing risks Cox regression with failure type subject to misclassification
本文提出利用竞争风险Cox回归的疫苗筛分析方法，用于深度测序数据中考虑个体病毒多样性，以提高疫苗效力估计的准确性。
2025-12-10 stat.AP stat.ME
Analysis of overfitting in the regularized Cox model
Institute for Mathematical and Molecular Biomedicine, King’s College London（伦敦国王学院数学与分子生物医学研究所）；King’s College London（伦敦国王学院）；Saddle Point Science Ltd（鞍点科学有限公司）
考克斯比例风险模型在至事件发生时间数据的分析中普遍存在。然而，当数据维度p与样本量$N$相当时，已知其回归参数的最大似然估计会因过拟合而出现偏倚或完全崩溃。这促使了所谓的正则化Cox模型的引入。本文利用统计物理学中的副本方法，研究了在p和N都很大但p/N ~ O（1）的情况下，正则化多元Cox回归中L2正则化的真实回归参数与推断回归参数之间的关系。因此，我们将最近的研究从极大似然推广到最大后验推理。我们还建立了最佳正则化参数和p/N之间的关系，允许在时间-事件分析中进行简单的过拟合校正。
2019-07-25 cond-mat.dis-nn cs.LG math.ST
Finite Mixture Cox Model for Heterogeneous Time-dependent Right-Censored Data
针对异质患者群体生存分析中单一Cox PH模型的不足，提出结合SCAD/MCP动态惩罚函数的有限混合Cox模型，通过改进EM算法实现亚组识别与成分选择，提升风险预测精度。
2025-04-11 stat.CO stat.ME
Model-based bootstrap inference for Cox models after Lasso selection
University of Augsburg（奥格斯堡大学）；TU Dortmund University（多特蒙德工业大学）
本文针对Cox-Lasso变量选择后的推断难题，提出基于模型的自助推断方法，证明其一阶有效性，模拟和实例显示该方法能改善小样本条件覆盖率，为生存分析提供可解释的不确定性量化。
2026-08-20 stat.ME
Cross validating extensions of kernel, sparse or regular partial least squares regression models to censored data
当交叉验证标准或扩展Cox模型时，常用的标准是使用朴素或van Houwelingen方案进行交叉验证的部分对数似然，以有效利用与所有数据的死亡时间相关的遗漏数据的死亡时间。相当令人惊讶的是，我们将显示，使用一个强大的模拟研究，涉及三种不同的数据模拟算法，这两种交叉验证方法失败的扩展，无论是简单的或更复杂的，部分最小二乘回归的Cox模型。这是一个非常有趣的结果，至少有两个原因。首先，基于PLS的模型的几个很好的特性，包括正则化，组件的可解释性，缺失数据支持，由于个体和变量的双图的数据可视化-甚至是基于SPLS的模型的简约性-统计学家通常使用交叉验证来选择他们的超参数。其次，它们几乎总是在基准研究中被用来评估在高维环境中使用的新估计技术的性能，并且通常显示出较差的统计特性。我们进行了大量的模拟研究，以评估十多个潜在的交叉验证标准，无论是基于AUC还是基于预测误差。其中几个导致选择合理数量的组件。使用这些新发现的交叉验证标准，以适应扩展的偏最小二乘回归的Cox模型，我们进行了基准重新分析，显示这些技术的增强性能。此外，我们定义了一个新的鲁棒性措施的基础上的Schmid得分和R系数的决定最小绝对偏差：综合R Schmid得分加权。使用R-包plsRcox进行模拟。
2018-10-06 stat.ME
Efficient Estimation For The Cox Proportional Hazards Cure Model
在分析至事件发生时间数据时，可能有一定比例的受试者将永远不会经历感兴趣的事件，并且他们被认为是治愈的。当考虑到生存模型的这一特征时，这些模型通常被称为治愈模型。在存在协变量的情况下，可以通过使用治愈模型来对群体的条件生存函数进行建模，治愈模型取决于未治愈的概率（发生率）和未治愈受试者的条件生存函数（潜伏期），并且使用逻辑斯谛回归和Cox比例风险（PH）回归的组合分别对发生率和潜伏期进行建模。本文通过对剖面似然的渐近展开，证明了剖面似然估计的渐近正态性，并得到了剖面似然中含有隐函数的方差估计的显式形式。我们还证明了基于投影理论的有效得分函数与轮廓似然得分函数是相等的。本文的贡献在于将有效信息矩阵表示为轮廓似然得分函数的方差。模拟研究表明，估计的标准误从自助样本（SMCURE包）和配置文件的可能性得分函数（我们的方法）提供了类似的和可比的结果。我们提出的方法的数值结果也通过使用来自SMCURE R-包的黑素瘤数据示出（Cai等人，2012），并将结果与SMCURE软件包的输出进行比较。
2020-01-24 stat.ME
Parameter estimation in Cox models with missing failure indicators and the OPPERA study
在前瞻性队列研究中，检查所有参与者的感兴趣状况的发生率可能过于昂贵。例如，诊断颞下颌关节紊乱病（TMD）的“金标准”是由训练有素的临床医生进行的体检。在大型研究中，以这种方式检查所有参与者是不可行的。相反，通常使用问卷来筛查TMD的发病率，并仅对筛查阳性的参与者进行“金标准”检查。不幸的是，一些参与者可能会在接受“黄金标准”检查之前离开研究。在生存分析的框架内，这导致缺失失效指标。受口面疼痛：前瞻性评价和风险评估（OPPERA）研究的启发，我们提出了一种缺失失效指标生存模型的参数估计方法。我们使用逻辑斯谛回归来估计那些缺乏“金标准”检查的人成为偶发病例的概率。这些估计的概率用于生成每个缺失检查的病例状态的多重插补，并在适当的回归模型中与观察到的数据相结合。使用多重插补估计程序引入的方差。该方法既可用于Cox比例风险模型中的回归系数估计，也可用于Poisson回归中的发病率估计。我们模拟数据缺失的故障指标，并表明我们的方法执行以及或优于竞争的方法。最后，我们将所提出的方法应用于OPPERA研究的数据。
2015-07-07 stat.AP stat.ME
Combining heterogeneous subgroups with graph-structured variable selection priors for Cox regression
癌症研究中的重要目标是基于分子测量（例如基因表达数据）和新的预后生物标志物（例如基因）的鉴定来预测患者的风险。在临床实践中，这通常是具有挑战性的，因为患者队列通常很小，并且可能是异质的。在经典的亚组分析中，仅使用一个特定队列的数据拟合单独的预测模型。但是，当样本量较小时，这可能导致功效损失。另一方面，简单地合并所有队列可能会导致有偏差的结果，特别是当队列是异质性的时候。对于这种情况，我们提出了一种新的贝叶斯方法，适用于连续的分子测量和生存结果，确定重要的预测因子，并为每个队列提供一个单独的风险预测模型。它允许在队列之间共享信息，以通过假设一个连接不同队列内和跨不同队列的预测因子的图来增加功效。该图有助于识别功能相关基因和在不同队列中同时具有预后的基因的途径。结果表明，我们提出的方法是优于标准的方法在预测性能和增加的功率在变量选择时，样本量是小的。
2020-04-16 stat.AP stat.ME
Determinantal shot noise Cox processes
我们提出了一类新的集群点过程模型，我们称之为行列式散粒噪声考克斯过程（DSNCP），集群中心之间的排斥。它们是广义散粒噪声Cox过程的特殊情况，其中聚类中心是行列式点过程。我们建立了各种时刻的结果，并描述了如何可以用来很容易地估计未知参数在两个特别容易处理的情况下，即当后代密度是各向同性高斯和内核的决定性的点过程的集群中心是高斯或类似的缩放Ginibre点过程。通过模拟研究和对真实点模式数据集的分析，我们看到，在对聚集的点模式进行建模时，与散粒噪声Cox过程相比，DSNCP模型中可能需要低得多的集群中心强度。
2022-05-30 stat.ME
A provable two-stage algorithm for penalized hazards regression
从优化器的角度来看，实现一般非凸问题的全局最优值通常是NP-难的，使用经典的最坏情况分析。在Cox比例风险模型的情况下，考虑到其统计模型的结构，我们确定了局部强凸附近的全局最优值，我们提出了使用两个凸计划来优化折叠凹惩罚Cox比例风险回归。在理论上，我们调查的统计和计算的权衡所提出的算法，并建立强预言性质的估计。数值研究和实际数据分析进一步支持了我们的算法和理论。
2021-07-06 math.ST stat.ME stat.TH
Cox reduction and confidence sets of models: a theoretical elucidation
本文从理论上分析Cox与Battey的变量约简及模型置信集构造，刻画保留模型的几何特征，比较惩罚回归与边际筛选方案，并指出改进方向。
2025-06-09 math.ST stat.ME stat.TH
Multivariate Geometric Anisotropic Cox Processes
本文介绍了一种新的建模框架，多变量各向异性Cox过程。基于多元空间统计学的最新研究成果，提出了一类新的多元各向异性随机场，并由此构造了一类各向异性点过程，给出了模型成立的条件，并对有效点过程依赖性提供了进一步的理解.我们还提出了一个基于似然的推理机制，这种类型的过程。最后，我们通过分析巴罗科罗拉多岛研究中植物和树木的空间生态观测来说明所提出的建模框架的实用性。
2018-08-13 stat.ME
Scalable likelihood-based estimation and variable selection for the Cox model with incomplete covariates
针对含随机缺失协变量的Cox回归模型，本文开发了一种仅需一维积分的可扩展EM算法进行非参数极大似然估计，并扩展以容纳LASSO惩罚实现变量选择，在大规模模拟与癌症基因组研究中验证了其优势。
2024-10-15 stat.CO stat.ME
Exact Bayesian inference in spatio-temporal Cox processes driven by multivariate Gaussian processes
在本文中，我们提出了一种新的推理方法来执行贝叶斯推断时空考克斯过程的强度函数依赖于一个多元高斯过程。动态高斯过程的引入，允许在离散时间的强度函数的演变。该方法的新颖之处在于，没有离散化错误涉及的事实，尽管非易处理的似然函数和无穷维的问题。该方法是基于一个马尔可夫链蒙特卡罗算法，从联合后验分布的参数和潜在变量的模型进行采样。模型的定义一般和灵活的方式，但他们是服从直接采样相关的分布，由于其组件的仔细表征。该模型还允许纳入回归协变量和/或时间分量，以解释强度函数的变异性。这些组件可能会受到与空间和/或时间的相关相互作用。真实和模拟的例子说明了方法，然后是结束语。
2019-03-10 stat.ME
Adaptive kernel estimation of the baseline function in the Cox model, with high-dimensional covariates
本文的目的是提出一种新的核估计的基线函数在一般的高维Cox模型，我们得到的非渐近收敛速度。为了构造我们的估计量，我们首先通过Lasso过程估计Cox模型中的回归参数。然后，我们将此估计器插入到经典的基线函数的核估计器中，通过平滑累积基线函数的所谓Breslow估计器获得。我们提出并研究了一个自适应的过程来选择带宽，在黄金enshluger和Lepski（2011）的精神。我们状态的非渐近预言不等式的最终估计，这揭示了减少的收敛速度时，协变量的尺寸增长。
2015-07-06 stat.AP stat.ME
