Likelihood-based Instrumental Variable Methods for Cox Proportional Hazard Models
在生物统计学及相关领域中,考克斯比例风险模型被广泛用于协变量调整的分析。然而,当某些协变量未被观测时,通常无法获得无偏估计量。即使存在一些不可测量的协变量,也可以在一定的假设条件下应用工具变量方法。本文对考克斯比例风险模型提出了一种新的工具变量估计。估计量是与Martinez-Camblor等人相似的特征,2019年,但不完全相同;我们使用有限信息极大似然的思想。我们表明,估计有良好的理论性质。此外,我们确认我们的方法和以前的方法通过模拟数据集的属性。
2022-06-02 stat.ME
Correcting for Measurement Error in Segmented Cox Model
主要关注的协变量(例如暴露变量或风险因子)的测量误差在流行病学和健康研究中很常见。它可以影响相对风险估计量或从拟合回归模型导出的其他类型的系数。为了执行测量误差分析,需要关于误差结构的信息。验证数据的两个来源是主要数据的内部子集和外部或独立研究。对于这两个来源,测量真实协变量(即无误差),或者测量其代理变量(易出错协变量)多次(重复测量)。本文比较了在主协变量为变点的Cox模型中,通过不同验证源的估计精度,使用偏差校正方法RC和RR。每个验证源下的理论属性。在模拟研究中发现,在较小的均方误差和较窄的置信区间方面,最好的验证源是在常见疾病病例中测量真实协变量的内部验证,以及在罕见疾病病例中重复测量替代变量的外部验证。此外,还发现需要解决真实协变量及其替代变量与变点值之间的相关性,特别是在罕见疾病病例中。
2022-07-19 stat.ME
Generating survival times using Cox proportional hazards models with cyclic time-varying covariates, with application to a multiple-dose monoclonal antibody clinical trial
在两项通过多次输注单克隆抗体VRC01预防HIV感染的协调有效性研究中,一个关键目的是评价VRC01的血清浓度(随输注时间周期性变化)是否与HIV感染率相关。在发展这种生存模式时需要进行模拟研究。在本文中,我们考虑模拟事件时间数据与连续的时变协变量,其值随时间变化,通过多个药物管理周期,其对生存的影响变化不同的阈值之前和之后,在每个周期内。后者适应具有零保护生物标志物阈值的设置,高于该阈值,药物根据生物标志物水平提供不同水平的保护,但低于该阈值,药物不提供保护。我们提出了两种模拟方法:一种是基于模拟生存数据下的单剂量方案,首先在多剂量数据汇总之前,另一种是基于模拟生存数据直接下的多剂量方案。我们根据考克斯比例风险模型生成事件发生时间数据,该模型基于反转累积风险函数和用于将风险函数与协变量关联的对数链接函数。该方法的有效性进行了评估,在两组模拟实验。结果表明,所提出的程序在产生符合其循环性质和考克斯比例风险模型假设的数据方面表现良好。
2018-01-25 stat.ME
A novel approach to estimate the Cox model with temporal covariates and its application to medical cost data
我们提出了一种新的方法来估计Cox模型的时间协变量。我们的新方法将时间协变量视为与事件时间共同建模的纵向过程。与文献不同的是,在我们的模型中的纵向过程被指定为一个有界变分过程,并确定了一个家庭的初值问题与常微分方程。我们的规范具有这样的优点,即只需要在事件发生时间和事件发生时间本身的时间协变量的观测来拟合模型,虽然它很好,但没有必要进行更多的纵向观测。这一事实使得我们的方法对于许多医疗结果数据集非常有用,例如纽约州全州规划和研究合作系统和国家住院患者样本,在这些数据集中,重要的是要找到给定累积成本的出院风险率,但由于患者信息的保护,只有出院时的总成本可用。我们的估计过程是基于最大化的全信息似然函数。由此产生的估计是一致的,渐近正态分布。变量选择技术,如自适应LASSO,可以很容易地修改和纳入我们的估计过程。证明了所得到的回归系数估计量的预言性质。仿真和一个实际的例子说明了所提出的模型的实用性。最后,我们的方法的一对夫妇的潜在扩展进行了讨论。
2018-02-02 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
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
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
Functional Cox model for interval-censored data
Department of Statistics and Actuarial Science, University of Waterloo(滑铁卢大学统计与精算科学系)
本文提出一种函数Cox模型,用于分析区间截断数据中函数协变量对事件时间的影响,通过惩罚最大似然估计和EM算法进行参数估计,并构建全局检验方法。
2026-05-14 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
Careful prior specification avoids incautious inference for log-Gaussian Cox point processes
贝叶斯空间点过程模型中随机场超参数的先验规定对统计推断和结论有重要影响。我们考虑拟合对数高斯Cox过程相对于空间协变量数据的空间点模式。从生态学的角度来看,分析的一个重要目的是评估协变量和给定物种的点格局强度之间的显着关联。本文介绍了使用一个重新参数化的模型,以方便有意义的解释的结果,以及这些如何依赖于超先验规范。该模型结合了一个缩放的空间结构化的字段与非结构化的随机场,具有一个共同的精度参数。一个额外的超参数标识的方差解释的空间结构项和适当的缩放比例,使分析不变的网格分辨率的分数。超参数被分配惩罚复杂性先验,可以通过用户定义的缩放参数直观地进行调整。我们说明的方法分析协变量的影响点模式形成的两个热带雨林树种在巴罗科罗拉多岛,巴拿马的研究地块。
2017-09-20 stat.ME
Cox Point Process Regression
时间点过程有着广泛的应用,包括保险中的索赔到达过程或运筹学中的队列分析。由于技术的进步,这种点过程的样本越来越多地遇到。感兴趣的关键对象是局部强度函数。它有一个简单的解释,允许理解和探索点过程数据。我们考虑点过程的函数方法,其中一个有一个重复实现的点过程的样本。这种情况本质上与Cox过程有关,其中复制的强度函数被建模为随机函数。在这里,我们研究的情况下,一个记录协变量的过程中,如每天的温度为自行车租赁。对于建模点过程的响应与向量协变量作为预测,我们提出了一种新的回归方法的强度函数,本质上是非参数的。虽然一个点的过程,只有一次观察到的固定域上的强度函数不能确定,我们展示了如何协变量和重复观测的过程可以利用一致的估计可能,我们也得到渐近收敛速度,而不调用参数假设。
2021-09-10 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
The competing risks Cox model with and without auxiliary case covariates under weaker or no missing-at-random cause of failure
在使用竞争风险Cox模型分析具有多种原因的至事件发生时间数据时,某些病例的失效原因通常未知。缺失原因的概率通常被假设为与事件发生时间和事件发生前测量的协变量的原因无关。然而,在实践中,基本的随机缺失假设并不一定成立。受结直肠癌亚型分析的启发,我们开发了半参数方法来进行有效的分析,首先是当额外的辅助变量仅适用于病例时。我们考虑一个较弱的随机缺失假设,缺失模式取决于观测量,其中包括辅助协变量。忽略这些协变量可能会导致有偏估计。我们使用一种信息似然方法,即使在错误指定缺失失效原因的基础模型时,该方法也会产生相合估计。然后,我们考虑一种方法,进行有效的统计分析时,没有辅助协变量在非随机缺失的情况下。仿真研究结果证明了我们的方法在有限样本下的优越性。我们举例说明了我们的方法在分析结直肠癌数据从护士健康研究队列,其中,显然,传统的随机缺失的假设不适用于特定的分子亚型。
2016-07-29 stat.AP 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
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
Hybrid methods for missing categorical covariates in Cox model
针对Cox模型中分类协变量缺失值问题,提出结合经典方法优势的混合方法,在模拟研究中展现出更高的灵活性与稳健性,虽降低了估计偏差但以牺牲部分精度为代价。
2025-06-30 stat.AP stat.ME
Optimal Estimation for the Functional Cox Model
功能协变量在许多医学、生物人口统计学和神经影像学研究中很常见。本文研究了具有右删失数据的函数型Cox模型在函数型和标量型协变量同时存在的情形。研究了极大偏似然估计的渐近性质,建立了有限维估计的渐近正态性和渐近有效性。在再生核Hilbert空间的框架下,证明了函数协变量系数函数的估计在加权$L_2$ -风险下具有极小极大最优收敛速度.该最优速率由删失方案、再生核和协方差核共同决定。详细讨论了估计方法的实现和平滑参数的选取。通过仿真实例和实际应用说明了有限样本性能。
2016-01-27 math.ST stat.ME stat.TH
Nonparametric Estimation of Conditional Survival Function with Time-Varying Covariates Using DeepONet
本研究提出基于 DeepONet 的非参数方法估计具有时变协变量的条件生存函数,放宽风险回归假设,模拟与 ADNI 数据表明其优于 Cox 模型。
2025-05-28 stat.ME
Multistage Estimators for Missing Covariates and Incomplete Outcomes
我们研究多个缺失的协变量和部分观察到的反应的问题。我们开发了一个新的框架来处理复杂的缺失协变量的情况下,通过逆概率加权,回归调整,和一个乘法稳健的程序。我们将我们的框架应用于三个经典问题:来自生存分析的Cox模型、缺失响应和来自因果推断的二元处理。我们还讨论了如何处理这些情况下缺失的协变量,并开发相关的识别理论和渐近理论。我们将我们的程序应用于模拟和阿尔茨海默病数据集,并获得有意义的结果。
2021-11-03 stat.ME
Should univariate Cox regression be used for feature selection with respect to time-to-event outcomes?
重要提示:至事件发生时间结局常用于临床试验和生物标志物发现研究,并主要使用考克斯比例风险模型进行分析。但目前还不清楚,当主要关注事件发生时间结果时,应推荐哪些统计模型用于特征选择任务。目的:探讨对数转换生存时间的高斯回归在特征选择上是否优于考克斯比例风险模型。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。对于所有特征选择比较,假设对于所有模型拟合,仅观察/测量10个真实特征中的5个,以及5个随机噪声特征。使用10,000个模拟数据集探索每个样本量和删失率场景。将不同的统计模型应用于同一数据集以估计特征效应。模型性能比较使用敏感性,特异性和准确性的效果大小排名。研究结果:当特征是独立的并且真实模型是多变量考克斯比例风险模型时,对数转换生存时间的高斯回归在特征选择方面,仅两个协变量的(反应变量)优于单变量考克斯比例风险模型和逻辑斯谛回归,不仅灵敏度更高,特异性相当,而且效应量排序的准确性更高,无论样本量和删失率值如何。结论和相关性:本研究证明了在至事件发生时间结局的特征选择实践中纳入对数转换生存时间的高斯回归的重要性。
2022-08-20 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
Built-in Selection Bias in Proportional Hazards Models with Omitted Covariates: Simulation Evidence and Alternative Approaches
Univ. Bordeaux, INSERM, Bordeaux Population Health, U1219(波尔多大学,INSERM,波尔多人口健康研究中心,U1219)
本文通过模拟和实际数据,证明在随机试验中,即使省略的协变量与处理独立,仍会导致Cox比例风险模型估计的处理风险比存在偏倚,并比较了脆弱模型、加速失效时间模型和Kaplan-Meier曲线等替代方法的稳健性。
2026-06-19 stat.ME
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
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
Least-false Cox coefficients under affine follow-up contamination: exact continuous- and grouped-time benchmarks
School of Banking and Finance Management Development Institute of Singapore in Tashkent(塔什干新加坡金融管理学院)
本研究分析仿射随访污染下Cox回归的最小假系数,推导精确基准,发现强污染导致缩减与饱和,行政删失引发过冲,分组改变几何,并给出影响函数与方差估计。
2026-09-25 stat.ME
Cox model inference for relative hazard and pure risk from stratified weight-calibrated case-cohort data
针对病例队列设计在医学文献中应用不足的问题,提出统一方法和R软件CaseCohortCoxSurvival,利用影响函数和考虑两阶段抽样的方差计算,支持分层、权重校准及多种抽样方式,实现对Cox模型对数相对风险、累积基线风险和纯风险的推断。
2023-04-06 stat.ME
De-biased lasso for stratified Cox models with application to the national kidney transplant data
移植受体科学登记(SRTR)系统已成为了解肾移植后移植物衰竭复杂机制的丰富资源,这是有效分配器官和实施适当护理的关键一步。由于治疗患者的移植中心可能强烈混淆移植失败,按中心分层的Cox模型可以消除其混淆效应。此外,由于接受者年龄是一个被证明的不可修改的风险因素,因此通常的做法是按接受者年龄组分别拟合模型。在某些年龄组中,相对于协变量数量,中等样本量可能导致偏倚的最大分层偏似然估计和不可靠的置信区间,即使样本数量仍然超过协变量。为了得出可靠的推断,从捐助者和接受者在SRTR的风险因素的综合清单,我们提出了一个去偏套索方法,通过二次规划拟合分层Cox模型。我们建立渐近性质,并通过模拟验证,我们的方法产生相合估计和置信区间与标称覆盖概率。考虑到SRTR中的近100个混杂因素,去偏方法检测到移植失败的危险在所有受体年龄组中随着供体的年龄而非线性增加,并且来自老年供体的器官对年轻受体的影响更大。我们的方法还描绘了移植失败和许多风险因素之间的关联,如受体的初步诊断(如多囊疾病,肾小球疾病和糖尿病)和供体-受体的人类白细胞抗原基因座在受体年龄组之间的不匹配。这些结果可为利益攸关方完善捐助方-受援方匹配标准提供参考。
2022-11-16 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
Structured Learning in Time-dependent Cox Models
针对时间依赖Cox模型在高维变量选择中无法灵活设定稀疏结构的问题,提出一种适应任意分组结构的变量选择框架,并开发了基于网络流算法的sox包以实现高效计算与准确估计。
2024-01-06 stat.AP stat.CO 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
Factor-Augmented Regularized Model for Hazard Regression
高维数据的一个普遍特征是协变量之间的相关性,当协变量高度相关时,模型选择具有挑战性。为了对高维考克斯比例风险模型在协变量具有因子结构的情况下进行模型选择,提出了一种新的风险回归因子增广正则化模型(Factor-Augmented Regularized Model for Hazard Regression,FarmHazard),该模型建立在驱动协变量依赖的潜在因子之上,扩展了Cox模型.这个新的模型生成的程序,通过从高维协变量向量中学习因子和特质成分,然后将它们用作新的预测因子,分两步操作。Cox模型是一种广泛用于生存分析的半参数模型,其中删失数据和时间依赖性协变量带来了额外的技术挑战。在较弱的条件下证明了模型选择相合性和估计相合性。我们还开发了一个因子增广变量筛选程序来处理超高维问题中的强相关性。大量的模拟和真实数据实验表明,该方法具有良好的性能,在模型选择、样本外C指数和筛选等方面都优于其他方法.
2022-10-03 math.ST stat.AP stat.ME
Asymptotic Properties of the Maximum Smoothed Partial Likelihood Estimator in the Change-Plane Cox Model
变平面Cox模型是生存数据亚组分析的常用工具。尽管有丰富的文献对这个模型,有有限的调查有限维参数估计的渐近性质。特别是,收敛速度,更不用说渐近分布,还没有完全表征的一般模型的分类是基于多个协变量。为了弥合这一理论差距,本研究提出了一个最大平滑偏似然估计,并建立了以下渐近性质。首先,它表明,收敛速度的分类参数可以任意接近1/n的对数因子在一定条件下的协变量和调整参数的选择。给定此收敛速度结果,它还建立了回归参数的渐近正态性。
2023-02-12 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
Event history analysis with time-dependent covariates via landmarking supermodels and boosted trees
PFA Pension(PFA养老金)
本文提出了一种基于地标超模型和提升树的非参数方法,用于处理高维时间依赖性协变量的事件历史分析,避免了传统方法的时间不一致性问题,并通过模拟和实际数据验证了其有效性。
2026-01-24 math.ST stat.ME stat.TH
Moment-assisted subsampling method for Cox proportional hazards model with large-scale data
针对大规模数据下Cox比例风险模型计算效率低的问题,提出结合均匀子采样估计量与最优全数据样本矩的矩辅助方法,兼具子采样计算优势与全数据级估计效率,经模拟与真实数据验证性能优异。
2025-01-12 stat.ME
Variable Selection in Ultra-high Dimensional Feature Space for the Cox Model with Interval-Censored Data
本文针对区间删失数据下的超高维 Cox 模型,提出基于 lasso、adaptive lasso、SCAD 和 MCP 惩罚的变量选择方法,证明其具有 oracle 性质,并通过模拟和儿童龋齿全基因组关联研究验证了方法效果。
2024-05-02 stat.ME
A simulation-extrapolation approach for the mixture cure model with mismeasured covariates
我们考虑的生存数据,从人口治愈的受试者存在误测协变量。我们使用混合治愈模型来解释永远不会经历事件的个体,同时区分协变量对治愈概率和生存时间的影响。特别是,对于实际应用,似乎有兴趣假设发病率的逻辑形式和潜伏期的考克斯比例风险模型。为了校正由测量误差引入的偏差的估计器,我们使用simex算法,这是一种非常通用的基于仿真的方法。它本质上是通过向数据引入额外的误差来估计这种偏差,然后通过外推方法恢复偏差校正估计量。当真实的外推函数已知时,估计量是一致的且渐进正态分布的。我们调查他们的有限样本性能,通过模拟研究,并应用所提出的方法来分析前列腺特异性抗原(PSA)对前列腺癌患者的影响。
2020-09-13 stat.ME
An Empirical Likelihood Approach to Nonparametric Covariate Adjustment in Randomized Clinical Trials
协变量调整是随机临床试验和观察性研究分析的重要工具。它可以用来提高效率,从而提高功率,并减少可能的偏差。虽然随机临床试验中的大多数统计检验本质上是非参数的,但协变量调整方法通常依赖于特定的回归模型,例如连续结局的线性模型、二分结局的逻辑斯谛回归模型和生存时间的Cox模型。最近的几项工作集中在无模型协变量调整。本文利用经验似然方法,提出了一种协变量调整的非参数方法。新方法的一个主要优点是,它可以自动利用协变量信息的最佳方式,而无需拟合非参数回归。通常的渐近性质,包括Wilks型的结果收敛到一个χ 2分布的经验似然比为基础的测试,和相应的最大经验似然估计的渐近正态性,建立。它还表明,由此产生的测试是渐近最强大的,估计的处理效应达到半参数效率界。新方法应用于全球使用策略打开闭塞的冠状动脉(GUSTO)-I试验。进行了大量的模拟,验证了理论研究结果。
2011-08-02 stat.ME
Multiple imputation of covariates by fully conditional specification: accommodating the substantive model
在流行病学和临床研究中,协变量数据缺失是常见的现象,通常采用多重插补(MI)进行处理。如果实质性模型是非线性的(例如,考克斯比例风险模型),或包含非线性(例如,平方)或交互作用项,则部分观察到的协变量的插补是复杂的,并且MI的标准软件实现可能插补来自与此类实质性模型不兼容的模型的协变量。我们展示了如何填补完全条件规范,一种流行的方法进行MI,可以修改,使协变量是从模型,这是兼容的实质性模型。我们调查,通过模拟的性能,这一建议,并将其与现有的方法。模拟结果表明,我们的建议给出了相合估计的一系列常见的实质性模型,包括模型,包含非线性协变量的影响或相互作用,提供的数据是随机缺失和假设插补模型是正确的指定和相互兼容。
2013-01-17 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
Adjusting for bias introduced by instrumental variable estimation in the Cox Proportional Hazards Model
工具变量(IV)方法广泛用于在存在不可测量混杂因素的情况下估计平均处理效应。然而,现有的IV程序的能力,最值得注意的是两阶段剩余纳入(2SRI)程序建议用于非线性背景下,占未测量的混杂因素在Cox比例风险模型尚不清楚。我们发现,仪器的内源性治疗诱导一个不可测量的协变量,称为个人的弱点,在生存分析的说法,如果不占导致偏见。我们提出了一个新的程序,增强2SRI与个人的弱点,并证明它是一致的,在一定条件下。通过蒙特卡罗模拟,在广泛的条件下研究了有限样本量的行为。最后,所提出的方法被用来估计颈动脉内膜切除术与颈动脉支架置入术对颈动脉疾病患者死亡率的平均影响。结果表明,与传统的2SRI相比,2SRI脆弱估计量通常可以降低点估计量和区间估计量的偏差。
2017-11-07 stat.ME
Bayesian variable selection in a Cox proportional hazards model with the "Sum of Single Effects" prior
本文提出CoxPH-SuSiE方法,将SuSiE扩展到Cox比例风险模型,用于解决遗传精细定位中高相关性和大规模数据下的时间-事件结局贝叶斯变量选择问题,并在模拟数据和UK Biobank哮喘数据中验证了其有效性。
2025-06-06 q-bio.QM stat.AP stat.ME
Z-residual diagnostics for detecting misspecification of the functional form of covariates for shared frailty models
在生存分析中,风险函数往往依赖于一组协变量。鞅和偏差残差最广泛地用于检查协变量函数形式的有效性,通过检查其对连续协变量的散点图中是否存在可辨别的趋势。然而,目视检查鞅和偏差残差往往是主观的。此外,由于删失,这些残差缺乏参考分布。因此,它是具有挑战性的数值统计检验的基础上鞅或偏差残差。在本文中,我们扩展了随机生存概率的思想(Li et al. 2021),并开发了一种残差诊断工具,可以提供图形和数值检验,用于检查半参数共享脆弱模型中的协变量函数形式。我们开发了一个通用函数,它基于R中\texttt{survival}包中\texttt{coxph}函数的输出计算半参数共享脆弱模型的Z残差。我们广泛的模拟研究表明,基于Z-残差推导的数值检验方法对于检验协变量的函数形式有很大的作用。在急性髓性白血病患者生存时间建模的实际数据应用中,Z-残差诊断结果表明,具有对数变换的模型不适合建模生存时间,这不能通过其他诊断方法检测。
2023-02-17 stat.ME
Convergence-Aware Pareto Selection of Covariate Scaling Transformations for Markov Deterioration Hazard Models: Evidence from Bridge Inspection Data
Yachiyo Engineering Co., Ltd.(八千代工程有限公司)
针对马尔可夫劣化风险模型对协变量缩放敏感的问题,本文系统比较四种缩放变换,在桥梁检测数据上通过L-BFGS-B估计EHM模型,并基于收敛感知的Pareto选择提出最优缩放方案。
2026-09-29 cs.LG stat.ME
Efficient Poisson Subsampling for the Partially Linear Additive Cox Model
Nankai University(南开大学);Academy of Mathematics and Systems Science, Chinese Academy of Sciences(中国科学院数学与系统科学研究院);University of Chinese Academy of Sciences(中国科学院大学);Changchun University of Technology(长春工业大学);Liaoning University(辽宁大学);University of Connecticut(康涅狄格大学);Tianjin University(天津大学)
针对大规模生存数据分析的计算存储挑战,提出用于部分线性可加Cox模型的高效泊松子采样方法,经模拟与淋巴瘤数据集验证,可实现大规模场景下的高效准确统计推断。
2026-08-21 stat.CO 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
Covariate selection for the estimation of marginal hazard ratios in high-dimensional data
本文通过模拟和卒中数据案例研究,探索高维数据下边际风险比估计的协变量选择方法,发现双重选择法效果较优,结合多重稳健方法可进一步提升估计效果。
2024-02-13 stat.ME
High-dimensional variable selection for Cox's proportional hazards model
高维空间中的变量选择问题从多个学科的前沿向当代统计问题提出了挑战。最近的技术进步使得通过生物成像技术收集大量的协变量信息(如微阵列、蛋白质组学和SNP数据)成为可能,同时在临床研究中观察患者的生存信息。因此,同样的挑战适用于生存分析,以了解基因组学信息和关于生存时间的临床信息之间的关联。在这项工作中,我们将确定筛选程序Fan和Lv(2008)扩展到Cox比例风险模型,并提供了迭代版本。数值模拟研究表明,令人鼓舞的性能相比,与其他技术,如LASSO所提出的方法。这证明了迭代确定独立筛选方案的实用性和通用性。
2010-05-19 stat.ME stat.ML
On a penalised likelihood approach for joint modelling of longitudinal covariates and partly interval-censored data -- an application to the Anti-PD1 brain collaboration trial
针对纵向时变协变量测量误差与部分区间删失事件时间问题,提出结合Cox模型的联合建模及惩罚似然估计方法,模拟验证其推断可靠,并用于Anti-PD1试验。
2024-12-04 stat.ME
Raking and Regression Calibration: Methods to Address Bias from Correlated Covariate and Time-to-Event Error
依赖于电子健康记录(EHR)数据的医学研究经常会出现测量误差,因为收集的数据不是为了支持正在研究的研究问题。如果在研究分析中不考虑这些数据错误,可能会掩盖或导致患者暴露与疾病风险之间的虚假关联。解决协变量测量误差的方法已经得到了很好的发展;然而,时间-事件误差也被证明会导致显著的偏倚,但解决它的方法相对不发达。更一般地,可以观察到相关的协变量和至事件发生时间结果中的误差。我们提出了回归校准(RC)估计,同时解决相关误差的协变量和删失事件的时间。虽然RC在许多具有协变量测量误差的设置中表现良好,但对于非线性回归模型(如Cox模型),RC存在偏倚。因此,我们另外提出了耙估计量,这是人口估计方程所定义的参数的相合估计量。耙可以改善RC在某些设置与故障时间的数据,不需要明确的建模的错误结构,并可以利用下的结果依赖的抽样设计。我们讨论了潜在的估计问题的影响程度的改善耙估计的RC方法的功能。详细的模拟研究,以检查不同水平的信号,误差和删失下的性能所提出的估计。该方法说明了观察EHR数据从范德比尔特综合护理诊所艾滋病毒的结果。
2020-03-09 stat.ME
Statistical inference after variable selection in Cox models: A simulation study
Mathematical Statistics and Artificial Intelligence in Medicine, University of Augsburg(医学中的数学统计与人工智能,乌尔姆大学);Center for Advanced Analytics and Predictive Sciences (CAAPS), University of Augsburg(高级分析与预测科学中心(CAAPS),乌尔姆大学)
本文通过模拟研究探讨了Cox模型中变量选择后Lasso和适应性Lasso的推断方法,分析了样本分割、精确后选择推断和去偏Lasso的性能,并通过实际数据验证其应用效果。
2026-02-07 cs.LG stat.AP stat.CO
Bayesian regularization for flexible baseline hazard functions in Cox survival models
本研究针对Cox生存模型中半参数基线风险的过拟合与不稳定问题,提出基于分段常数混合和B样条的灵活基线风险贝叶斯正则化方法,通过真实数据和模拟实验验证了模型稳健性及B样条设定的优势。
2024-01-31 stat.ME
Extrapolation before imputation reduces bias when imputing censored covariates
针对严重删失协变量插补中条件均值积分被截断导致高偏倚的问题,提出将半参数生存估计与参数化尾部外推拼接的混合方法,先外推再插补,显著降低偏倚并改善临床试验患者优先级排序。
2023-11-29 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