HACSurv: A Hierarchical Copula-Based Approach for Survival Analysis with Dependent Competing Risks
Southeast University（东南大学）；The University of Newcastle（纽卡斯尔大学）
本文提出 HACSurv，利用分层阿基米德 Copula 建模竞争风险与删失之间的相依结构，从而提升生存分布预测精度，并在合成和真实数据上验证了其优于现有方法。
2025-03-10 cs.LG stat.ME stat.ML
Permutation Tests Based on the Copula-Graphic Estimator and Their Use for Survival Tree Construction
本文提出用 copula-graphic 估计量处理相依删失，并以其组间积分绝对距离构造置换检验作为生存树分裂准则，通过模拟和临床数据验证其性能。
2025-07-28 stat.ME
Overcoming Dependent Censoring in the Evaluation of Survival Models
Alberta Machine Intelligence Institute（阿尔伯塔机器智能研究所）；Vector Institute（向量研究所）
本文提出基于阿基米德 copula 和 Copula-Graphic 估计器的依赖 Brier 分数，解决生存模型评估中依赖截尾问题，通过半合成框架减少估计误差12-16%。
2026-06-27 cs.AI cs.LG stat.ML
Boosting Distributional Copula Regression for Bivariate Right-Censored Time-to-Event Data
提出一种用于右删失双变量事件时间数据的分布copula回归模型，通过梯度boosting实现自动变量选择，适用于高维数据。
2024-12-20 stat.ME
Factorial survival analysis for treatment effects under dependent censoring
析因分析提供了一种强有力的非参数方法来检测多个治疗之间的主要或相互作用效应。对于生存结局，例如来自临床试验的生存结局，可采用此类技术来比较处理效应的合理量化。在生存分析中要解决的关键困难涉及删失的正确处理。到目前为止，所有现有的生存数据析因分析都是在独立删失假设下开发的，这对于许多应用来说太强了。作为一个解决方案，这篇文章的中心目标是发展新的方法，因子生存分析下相当普遍的相依删失制度。这将通过结合因子生存分析的现有结果与生存copula模型开发的技术来实现。因此，我们将提出一个有吸引力的F检验，在我们的模拟研究中表现出良好的性能。新方法在实际数据分析中得到了验证。我们在一个R函数surv.factorial（.）在R包装化合物中。
2023-02-03 math.ST stat.ME stat.TH
Dependent censoring based on copulas
考虑生存时间T服从随机右删失，并假设T随机依赖于删失时间C。我们感兴趣的是T的边缘分布。这种情况在实践中经常遇到。例如，考虑T是患有某种疾病的患者的死亡时间的情况。然后，删失时间C例如是直到该人离开研究的时间或直到他/她死于另一种疾病的时间。如果退出研究的原因与患者的健康状况有关，或者如果他/她死于与关注疾病具有相似风险因素的疾病，则T和C可能具有依赖性。在本文中，我们提出了一个新的模型，考虑到这种依赖。该模型基于T和C之间关系的参数copula，以及T和C的参数边缘分布。与文献中的大多数其他论文不同，我们不假设定义Copula函数的参数是已知的。我们给出了关于这些参数Copula和边缘的充分条件，在此条件下，（T;C）的二元分布被确定。这些充分条件，然后检查范围广泛的共同copula和边缘分布。我们还研究了模型的估计，并进行了广泛的模拟和胰腺癌的数据分析，以说明所提出的模型和估计程序。
2021-04-14 stat.ME
Bootstrap-Aggregated Method-of-Moments Estimation of the Copula Correlation Parameter for Marginal Survival Inference under Dependent Censoring
Yonsei University（延世大学）
本文提出一种基于bootstrap的矩估计法，用于估计在依赖性删失情况下生存边缘推断中的copula相关参数，通过模拟退火算法进行bootstrap聚合以获得稳定估计，验证了方法在临床试验中的有效性。
2026-04-05 stat.AP stat.ME
Copula-based Semiparametric Regression Method for Bivariate Data under General Interval Censoring
这项研究的动机是发现和支持双侧眼病进展的遗传原因，黄斑相关性黄斑变性（AMD），其主要结局（进展至晚期AMD的时间）是双变量的，并且由于间歇性评估时间而间隔删失。本文提出了一类新的基于Copula函数的一般区间删失双变量数据的半参数变换模型，包括区间删失情形1（当前状态数据）和区间删失情形2.具体地说，联合似然建模通过两个参数阿基米德copula，它可以灵活地表征在两个尾部的两个边缘之间的依赖性。边缘分布是通过半参数转换模型使用筛子，与比例风险或赔率模型是一个特殊的情况。我们开发了一个计算效率高的筛极大似然估计程序的未知参数，以及一个广义得分测试的回归参数（S）。对于有限维参数的筛估计，我们建立了它们的渐近正态性和有效性。进行了大量的模拟，以评估所提出的方法在有限样本的性能。最后，我们将我们的方法应用于使用AMD相关眼病研究（AREDS）数据的AMD进展的全基因组分析，以成功识别与疾病进展相关的新风险变体。我们还为具有不同遗传特征的患者预测了联合和条件性无进展概率。
2019-08-20 stat.ME
Copula-based semiparametric nonnormal transformed linear model for survival data with dependent censoring
提出一种基于Copula的半参数非正态变换线性模型，解决生存分析中删失时间与生存时间相关的相依删失问题，证明了模型可识别性并验证了其一致性、渐近正态性及实际应用效果。
2024-08-27 stat.AP stat.ME
Information matrix equivalence in the presence of censoring: A goodness-of-fit test for semiparametric copula models with multivariate survival data
该研究证明了多变量删失生存数据下半参数copula模型的信息矩阵等价性，提出基于该等价性的copula函数设定信息比检验，推导其渐近分布并给出有限样本P值计算的参数bootstrap程序，通过模拟与真实数据验证了检验性能。
2023-07-23 stat.ME
Competing-Risk Cure Models: A Comprehensive Systematic Review of Methodological Literature
University of Texas at El Paso（埃尔帕索德克萨斯大学）
本文对26篇竞争风险治愈模型的方法学文献从五个维度进行系统综述，明确模型分类与差异，指出可重复性不足问题，为模型选择与相关研究提供支持。
2026-09-02 stat.ME
BoXHED2.0: Scalable boosting of dynamic survival analysis
Texas A&M University（德克萨斯农工大学）；Yale University（耶鲁大学）；Emory University（埃默里大学）
BoXHED2.0是一种高效的非参数化树提升方法，用于处理动态生存分析中的时间依赖性协变量和复杂生存设置。
2023-09-06 cs.LG stat.ML
Boosting methods for interval-censored data with regression and classification
Columbia University（哥伦比亚大学）；University of Western Ontario（西方大学）
本文提出非参数提升方法，用于处理区间删失数据的回归与分类任务，通过无偏转换调整损失函数并保持模型准确性，理论和实证均验证其有效性。
2026-02-18 cs.LG stat.ML
Boosting Distributional Copula Regression
捕获结果变量之间的复杂依赖结构（例如，研究终点）在当代生物医学数据问题和医学研究中具有高度相关性。分布copula回归提供了一个灵活的工具来模拟多个结果变量的联合分布，通过解开边际响应分布和它们的依赖结构。在回归设置中，copula模型的每个参数，即边缘分布参数和copula依赖参数，可以通过结构化的加性预测因子与协变量相关。我们提出了一个框架，以适应分布copula回归模型，通过基于模型的提升算法。基于模型的提升是一种现代估计技术，它结合了有用的功能，如内在变量选择机制，参数收缩和在高维数据设置中拟合回归模型的能力，即协变量比观测值更多的情况。因此，基于模型的提升不仅补充了现有的贝叶斯和基于最大似然的估计框架，而且还实现了独特的内在机制，这些机制可以在许多应用问题中有所帮助。在模拟研究中评估了我们的提升算法在具有连续利润率的copula回归模型的背景下的性能，该模拟研究涵盖了低维和高维数据设置以及响应之间存在或不存在依赖关系的情况。此外，分布copula助推用于联合分析和预测的长度和新生儿的体重条件下，超声测量的胎儿分娩前连同其他临床变量。
2022-02-25 stat.ME
Stage-wise semiparametric analysis of multivariate event times under informative censoring via vine copula
Mississippi State University（密西西比州立大学）
本文提出基于 vine copula 的多变量事件时间分析框架，以处理终止事件导致的信息性删失，并通过分阶段似然推断刻画异质性事件依赖。
2026-11-03 stat.AP stat.CO stat.ME
Vine copula based likelihood estimation of dependence patterns in multivariate event time data
在许多研究中，多变量事件时间数据是从具有可能复杂的关联模式的聚类中生成的。需要灵活的模型来捕捉这种依赖性。藤系联结就是为了这个目的。对于完整的数据，可以使用葡萄系连接函数的推断方法。然而，事件时间数据经常受到右删失的影响。因此，需要调整现有的推断工具，例如似然估计。提出了一种两阶段估计方法。首先，对边缘分布进行建模。第二，依赖结构建模的葡萄Copula估计通过似然最大化。由于右截尾的单重和二重积分出现在Copula似然表达式中，因此需要数值积分来评估。对于依赖建模的序贯估计的方法，促进了似然优化的计算挑战。三维仿真研究提供了证据，所提出的方法具有良好的有限样本性能。使用四维乳腺炎的数据，它示出了如何选择一个合适的葡萄系函数模型的数据在手。
2017-07-22 stat.AP stat.ME
Boosting with copula-based components
本文提出基于 copula 成分的加性 boosting 模型，用于二值结果预测，无需离散化连续协变量即可捕捉复杂交互效应，并提供 R 包 copulaboost，实验表明其预测性能优于或可比其他方法。
2024-10-19 stat.AP stat.CO stat.ME
Boosting Distributional Copula Regression for Bivariate Binary, Discrete and Mixed Responses
本文提出面向任意边际分布的二元分布型 copula 回归统计提升框架，通过逐分量梯度提升联合建模边际与 copula 参数，并在多类生物医学数据中验证。
2024-03-04 stat.ME
Enhanced variable selection for boosting sparser and less complex models in distributional copula regression
本文针对分布型 copula 回归中标准提升算法易选入过多低重要性变量的问题，提出结合 probing、稳定性选择和新剔除方法的增强变量选择策略，在模拟与 UK Biobank 等应用中验证其能减少假阳性并保持预测性能。
2024-06-06 stat.AP stat.ME
Two-Stage Pseudo Maximum Likelihood Estimation of Semiparametric Copula-based Regression Models for Semi-Competing Risks Data
本文面向半竞争风险数据，提出基于 copula 半参数模型的两阶段伪极大似然估计方法，证明渐近性质并验证其更稳健、高效。
2024-10-25 stat.ME
SDPM: Survival Diffusion Probabilistic Model for Continuous-Time Survival Analysis
Peter the Great St.Petersburg Polytechnic University（彼得大帝圣彼得堡国立大学）
本文提出SDPM，一种用于连续时间生存分析的生成模型，通过去噪扩散模型建模生存结果的条件分布，避免了对事件时间分布的参数假设，并在变换的目标空间中使用标准化对数时间和连续高斯混合表示来表示删失指示符，从而在多个真实生存数据集上取得了竞争力的预测性能。
2026-05-21 cs.AI cs.LG stat.CO
Conditional Copula Models for Right-Censored Clustered Event Time Data
本文提出了一种建模策略来推断协变量对右删失聚类事件时间数据的依赖结构的影响。联合生存函数的事件时间建模使用参数条件Copula，其参数依赖于一个集群级协变量的功能。我们使用局部似然方法来估计Copula参数的形式，并概述了广义似然比型测试策略，正式测试其恒常性。采用引导程序来获得测试的近似$p$值。所提出的估计和测试方法的性能进行评估，在模拟下不同的右删失率和各种参数copula家庭，考虑参数和非参数估计的利润。我们将这些方法应用于糖尿病视网膜病变研究的数据，以评估发病年龄对视力丧失的影响。
2016-06-04 stat.ME
On Training Survival Models with Scoring Rules
LMU Munich（慕尼黑大学）；Munich Center for Machine Learning（慕尼黑机器学习中心）；Imperial College London（伦敦帝国学院）
本研究探讨了将评分规则用于生存模型训练而非评估，提出了一个与模型无关且不局限于特定评分规则的通用框架，能参数化或非参数化学习事件时间分布，实证表明其预测性能具竞争力。
2024-11-13 cs.AI cs.LG stat.CO
Semiparametric Copula Quantile Regression for Complete or Censored Data
当面对多元协变量时，一般的半参数回归技术可以提出灵活的模型，这些模型不受维数灾难的影响。在这项工作中，半参数Copula为基础的估计条件分位数完全或右删失数据进行了研究。在精神上，该方法扩展了Noh et al.（2013）和Noh et al.（2015）的近期工作，因为主要思想在于根据多变量copula和边缘分布适当定义分位数回归。事先估计后者和简单的插件导致一个容易实现的估计表示，无论上下文中有或没有审查，作为一个加权分位数的观察到的响应变量。此外，与文献中的初始建议相反，研究了多变量Copula密度的半参数估计方案，其动机是纯参数方法的可能缺点，并由回归上下文驱动。由此得到的分位数回归估计具有在分位数水平上自动单调的有价值的性质，并且在经典的正则条件下得到了完全数据和删失数据的渐近正态性。最后，数值例子以及实际数据的应用，以说明所提出的方法的有效性和有限样本性能。
2016-03-24 stat.ME
Conditional copula graphic estimator for semi-competing risks data
Children’s Hospital Research Institute of Manitoba, University of Manitoba（曼尼托巴儿童医院研究所，曼尼托巴大学）；Department of Mathematics and Statistics, University of Guelph（圭尔夫大学数学与统计系）；Hospital for Sick Children（多伦多多伦多儿童医院）；Department of Statistics, University of Manitoba（曼尼托巴大学统计系）
针对半竞争风险数据中对非终端事件时间生存函数估计受终端事件相依删失影响的问题，提出条件copula图形估计器，可进行协变量调整，通过顺序迭代算法得到，用模拟和真实数据评估其性能并与无条件估计器比较。
2026-07-14 stat.ME
A modified version of the inference function for margins and interval estimation for the bivariate Clayton copula SUR Tobit model: An simulation approach
本文通过Clayton Copula函数对二元似不相关回归（SUR）Tobit模型的非线性相关结构进行建模，扩展了模型的分析.捕获/建模SUR Tobit模型的下尾依赖性的能力（其中某些数据被删失（通常在零点））是Clayton copula的另一个有用功能。我们提出了一种改进的边际推断函数（IFM）方法（Joe和Xu，1996），我们称之为MIFM方法，以获得边际参数的估计和Copula关联参数的更好（满意）的估计.更具体地说，我们采用数据增广技术在IFM方法的第二阶段，以产生截尾观测（即获得连续的边缘分布，这确保了copula的唯一性），然后估计的依赖参数。恢复程序（自助法）也提出了获得模型参数的置信区间。为了验证MIFM估计的行为（我们专注于copula参数估计）和不同的置信区间的覆盖概率在不同的删失百分比和依赖程度的数据集进行了模拟研究。从模拟（在一定条件下）和实证研究的满意结果表明，我们提出的模型和方法，他们被应用到美国的即食早餐谷物和液体牛奶消费数据建模的良好性能。
2014-04-12 stat.ME
Survival Models: Proper Scoring Rule and Stochastic Optimization with Competing Risks
Inria Saclay（法国国家信息与自动化研究所萨克雷中心）
本文针对竞争风险场景提出严格适当的删失调整可分离评分规则，实现随机优化并用于梯度提升树模型 SurvivalBoost，在多个真实数据集上优于12个最先进模型，且校准性好、预测灵活、计算更快。
2024-10-22 cs.AI cs.LG stat.ML
Regression for Copula-linked Compound Distributions with Applications in Modeling Aggregate Insurance Claims
在精算研究中，一项特别重要的任务是预测单个风险的损失成本，以便在各种保险业务中做出信息决策，例如承保，费率制定和资本管理。损失成本通常被视为遵循复合分布，其中严重性变量的总和被频率变量停止。模拟这种结果的一个挑战性问题是要适应索赔数量和每个索赔规模之间的潜在依赖关系。在这篇文章中，我们介绍了一种新的回归框架的复合分布，使用Copula来适应之间的关联的频率和严重性变量，从而允许任意依赖的两个组件。我们进一步表明，新的模型是非常灵活的，很容易修改，以考虑不完整的数据，由于删失或截断。所提出的模型的灵活性，说明使用模拟和真实的数据集。在对财产保险索赔数据的分析中，我们发现索赔数量与索赔规模之间存在实质性的负相关关系。此外，我们证明，忽视频率严重性的关联可能会导致有偏见的决策在保险业务。
2019-10-13 stat.AP stat.ME
A General Machine Learning Framework for Survival Analysis
LMU Munich（慕尼黑大学）
事件发生时间数据的建模，也称为生存分析，需要专门的方法，可以处理删失和截断，随时间变化的特征和影响，并扩展到多个竞争事件的设置。然而，许多用于生存分析的机器学习方法仅考虑右删失数据和比例风险假设的标准设置。提供扩展的方法通常最多解决这些挑战的一个子集，并且通常需要无法直接集成到标准机器学习工作流程中的专用软件。在这项工作中，我们提出了一个非常通用的机器学习框架的时间到事件的分析，使用数据增强策略，以减少复杂的生存任务，标准的泊松回归任务。这种重新表述是基于发达的统计理论。使用所提出的方法，可以优化泊松（对数）似然的任何算法，例如梯度提升树、深度神经网络、基于模型的提升等等，都可以在时间到事件分析的上下文中使用。所提出的技术不需要任何假设的事件时间的分布或功能形状的功能和相互作用的影响。基于所提出的框架，我们开发了新的方法，具有竞争力的专业国家的最先进的方法在准确性和多功能性方面，但相对较小的投资的编程工作或专业的方法学知识的要求。
2021-04-17 cs.LG stat.CO stat.ML
Estimation of the complier causal hazard ratio under dependent censoring
本文研究相依删失下内生二元处理对持续期结果的因果效应，利用二元工具变量并通过 copula 建模删失依赖关系，提出基于加权最大似然的两步估计法以估计依从者因果风险比（CCHR）。
2025-04-02 econ.EM math.ST stat.ME
Asymmetric tail dependence modeling, with application to cryptocurrency market data
自2008年比特币问世以来，加密货币在电子商务领域发挥了越来越大的作用，但2018年加密货币市场最近的动荡引发了人们对其稳定性和相关风险的担忧。对于投资者来说，揭示加密货币之间的依赖关系对于更具弹性的投资组合多样化至关重要。此外，两个尾部的随机行为都很重要，因为多头头寸对价格下跌敏感（下尾），而空头头寸对价格上涨敏感（上尾）。为了评估这两种风险类型，本文提出了一种灵活的Copula模型，它能够同时在其上下尾分别捕获渐近相关性或独立性。我们提出的模型是简约的，并顺利桥梁（在每个尾巴）在内部的参数空间的极值依赖类。使用完全或截尾似然方法进行推断，并通过模拟研究了估计在三种不同的截尾方案下的效率，这些方案减少了非极端观测的影响。我们还开发了一种局部似然方法来捕获两种主要加密货币之间极值依赖的时间动态。在这里，我们将我们的模型应用于五种主要冷冻货币的历史收盘价，这些货币分享了大部分加密货币的市值。结果表明，我们提出的copula模型优于其他copula模型，并且大多数领先加密货币对（特别是比特币和以太坊）之间的下尾依赖水平随着时间的推移变得越来越强，近年来从渐近独立状态平稳过渡到渐近依赖状态，而上尾在较弱的依赖水平下总体上相对更稳定。
2021-04-13 stat.AP stat.ME
Learning association from multiple intermediate events for dynamic prediction of survival: an application to cardiovascular disease prognosis
Harbin Institute of Technology（哈尔滨工业大学）；Nanyang Technological University（南洋理工大学）
本文提出基于copula的框架，通过伪似然估计学习多个相关边缘成分的依赖关系，用于动态生存预测，通过模拟和心脏疾病数据验证了方法的灵活性和预测效果。
2026-07-03 stat.AP stat.CO stat.ME
