Weibull Racing Survival Analysis with Competing Events, Left Truncation, and Time-varying Covariates
本研究提出贝叶斯非参数Weibull代理竞争(WDR)方法用于含竞争事件的生存分析,可处理左截断、时变协变量等复杂情况,通过合成与真实数据实验验证其优异性能与应用价值。
2023-08-24 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
Goodness of fit of relational event models
针对关系事件模型(尤其是含时变和随机效应的模型)拟合优度评估现有方法计算量大、需多假设的问题,提出加性混合效应关系事件模型与基于加权鞅残差的拟合优度检验框架,经合成数据和真实邮件社交数据验证,已在R包mgcv中实现。
2024-07-11 stat.ME
Doubly Robust Estimation under Covariate Dependent Censoring in Semi-Competing Risks Data
Herbert Wertheim School of Public Health and Human Longevity Science, University of California, San Diego(加州大学圣地亚哥分校赫伯特·韦特海姆公共卫生与人类长寿科学学院);Department of Mathematics, University of California, San Diego(加州大学圣地亚哥分校数学系);Halicioglu Data Science Institute, University of California, San Diego(加州大学圣地亚哥分校哈利奥格鲁数据科学研究所)
针对半竞争风险数据在协变量依赖删失下的估计问题,提出AIPCW框架并结合AIPTW,实现双重稳健的因果效应估计,应用于饮酒对认知与死亡影响研究。
2026-09-29 stat.ME
All that Glitters is not Gold: Relational Events Models with Spurious Events
随着关系事件模型成为研究关系结构的一种越来越流行的模型,大规模事件数据收集的可靠性变得越来越重要。自动化或人工编码的事件在事件识别中经常遭受不可忽略的错误发现率。大多数传感器数据主要基于行动者在预定义时间窗口内的空间接近度;因此,观察到的事件可能与社会关系或随机共处有关。这两个例子都暗示了可能使估计和推断产生偏差的虚假事件。我们提出了虚假事件的关系事件模型(REMSE),对现有的交互数据方法的扩展。该模型提供了一种灵活的解决方案,用于在控制虚假事件的同时对数据进行建模。我们的模型的估计进行了经验贝叶斯方法,通过数据增强。基于模拟研究,我们调查的估计过程的属性。为了证明它在两个不同的应用程序中的实用性,我们采用该模型来对抗叙利亚内战和学生共处数据的事件。从模拟和应用程序的结果确定的REMSE作为一个合适的方法来建模的关系事件数据中存在的虚假事件。
2022-05-24 stat.AP stat.ME
Predicting Sequences of Progressive Events Times with Time-dependent Covariates
本文提出了一种方法来建模渐进的事件历史数据时的总体目标是预测的基础上随时间变化的协变量。该方法不直接对风险函数建模。相反,它模拟的过程中的事件历史的状态指标,使时间相关的协变量可以被纳入和预测的未来事件很容易制定。我们的模型可以应用于医学和农业科学中的一系列现实问题。
2010-09-05 math.ST stat.ME stat.TH
Recurrent Events Analysis With Data Collected at Informative Clinical Visits in Electronic Health Records
虽然越来越多地被用作集合队列的数据资源,但电子健康记录(EHR)带来了许多分析挑战。特别是,患者的健康状况会影响何时记录数据以及记录哪些数据,从而在收集的数据中产生采样偏差。在本文中,我们考虑使用EHR数据的复发事件分析。事件风险分析的传统回归方法通常需要在整个随访期间观察协变量的值。在EHR数据库中,时间依赖性协变量在临床访视期间间歇性地测量,并且这些访视的时间是信息性的,因为它取决于疾病过程。简单的方法,如末次观测值结转法,可能导致有偏估计。另一方面,复杂的联合模型需要对协变量过程进行额外的假设,并且不能容易地扩展到处理多个纵向预测因子。通过引入由估计观测时间过程得到的采样权重,我们提出了一种基于逆率加权和核平滑的半参数比例率模型的估计方法.所提出的方法不需要模型规格的协变量过程,可以很容易地处理多个时间依赖的协变量。我们的方法适用于肾移植研究的说明。
2020-04-25 stat.ME
Doubly Robust Estimation under Covariate-Induced Dependent Left Truncation
University of California San Diego(加州大学圣地亚哥分校);The Wharton School, University of Pennsylvania(宾夕法尼亚大学沃顿商学院);Herbert Wertheim School of Public Health, and Halicioglu Data Science Institute, University of California San Diego(加州大学圣地亚哥分校赫伯特·韦特海姆公共卫生学院及哈利奥格鲁数据科学研究所)
本文提出了一种在存在协变量诱导依赖左截断情况下具有双重鲁棒性的估计方法,通过半参数理论构建高效影响曲线,解决了传统方法在处理左截断时的局限性。
2023-03-13 stat.ME
Flexible survival regression with variable selection for heterogeneous population
针对现代生存数据协变量多、总体存在未知潜在亚组的问题,提出一种同时识别异质总体潜在亚组并评估各亚组协变量显著性的灵活生存回归方法,可提升预测准确性并助力制定靶向疾病管理策略。
2024-09-16 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
Copula based dependent censoring in cure models with covariates
UCLouvain(南鲁汶大学);KU Leuven(荷语鲁汶大学)
本文在带协变量的治愈模型中,通过Copula处理相依删失,纳入行政删失并允许协变量影响所有参数,实现更准确的相依性建模与更个体化的临床相关量估计。
2026-08-28 stat.ME
Bivariate copula regression models for semi-competing risks
针对半竞争风险事件间的相关性,提出基于 Normal、Clayton、Frank 和 Gumbel copula 的生存模型,估计协变量对非终点与终点事件风险比及事件关联的影响,并在肾移植数据中验证其优于 Cox 模型。
2023-04-06 stat.ME
Joint Latent Class Trees: A Tree-Based Approach to Modeling Time-to-event and Longitudinal Data
在本文中,我们提出了一个半参数,基于树的联合潜在类建模方法(JLCT)的纵向和时间到事件的数据建模的联合行为。现有的联合潜在类建模方法是参数化的,并且可能遭受高计算成本。最常见的参数方法,联合潜在类模型(JLCM),进一步限制分析使用时不变的协变量建模生存风险和潜在类成员。相反,建议的JLCT是快速拟合,并可以使用随时间变化的协变量在其所有的建模组件。我们证明了使用随时间变化的协变量的预测价值,因此JLCT的优势JLCM模拟数据。我们进一步将JLCT应用于PAQUID数据集,并证实其优越的预测性能和JLCM的数量级加速。
2020-10-08 stat.ME
Inference of large scale relational state processes
Vytautas Magnus university(维陶塔斯·马格努斯大学);Università della Svizzera italiana(瑞士意大利语联邦大学)
研究多状态关系状态网络推断问题,提出连续时间框架,通过状态依赖协变量驱动边在多状态间转换,针对不同采样方式给出有效推断方法,能准确恢复模型参数且计算高效,推广经典网络效应到多状态关系。
2026-07-13 stat.ME
Exogenous time-varying covariates in double additive cure survival model with application to fertility
扩展治愈生存模型能够将影响事件概率(或"长期"生存)的协变量与仅影响事件时间(或"短期"生存)的协变量分开。我们建议推广有界累积风险模型,以处理时变(外源)协变量共同影响长期和短期生存的附加项。惩罚参数的选择是该框架中的一个挑战。提出了一种基于拉普拉斯近似的贝叶斯P样条模型快速算法。该方法的动机是生育率研究,妇女的特点,如就业状况和收入(仅举几例),可以在一个不平凡的和频繁的方式在个人的后续行动。该方法还说明了从德国养恤基金,使我们能够研究妇女的时间变化的收入如何与第一次生育的过渡登记数据。
2023-02-02 stat.ME
Cox Model Predicting Covariate Subject to Right Censoring
AstraZeneca(阿斯利康);Duke University(杜克大学);Sungshin Women’s University(成信女子大学)
本文提出基于半参数Cox模型的方法,通过修改部分似然函数以处理受右删失影响的协变量,提升估计效率和数据利用率。
2026-04-11 stat.ME
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
A Bayesian actor-oriented multilevel relational event model with hypothesis testing procedures
针对多个关系事件序列的建模与假设检验需求,本文提出贝叶斯面向行动者多层关系事件模型,并支持跨网络信息借用及共同、异质互动驱动因素检验。
2023-06-07 cs.SI stat.ME
Testing For Global Covariate Effects in Dynamic Interaction Event Networks
本研究针对统计网络分析中的交互数据,将协变量分为全局与局部两类,扩展现有连续时间网络模型以对比全参数模型和含全局非参数时间分量的模型,可检验全局时间动态能否被简单全局协变量解释,并在共享单车网络中完成验证。
2023-06-15 math.ST stat.ME stat.TH
Beyond Linearity and Time-Homogeneity: Relational Hyper Event Models with Time-Varying Non-Linear Effects
Università della Svizzera italiana(瑞士大学);University of Konstanz(康斯坦茨大学)
本文提出了一种具有时间变化非线性效应的关联超事件模型,用于分析科学合作与影响随时间演变的动态因素。
2025-11-29 cs.LG stat.AP stat.ME
A Latent Variable Model for Relational Events with Multiple Receivers
本文针对含多接收者的有向关系事件数据提出乘性潜因子模型,通过发送者、接收者及消息潜变量刻画社会互动异质性,并基于 Gibbs 采样的贝叶斯方法拟合模型,在 Enron 邮件数据上验证了模型对接收者集合分布与构成的准确捕捉能力。
2024-02-21 stat.ME
Separating the Wheat from the Chaff: Bayesian Regularization in Dynamic Social Networks
近年来,人们对使用关系事件模型进行动态社会网络分析越来越感兴趣。这些模型的基础是“事件”的概念,定义为时间,发送者和接收者的一些社会互动的三元组。关系事件模型旨在回答的关键问题是什么驱动了参与者之间的社会互动。研究人员在研究中经常考虑大量的预测因子(包括外生变量、内生网络效应和各种交互效应)。然而,问题是采用过多的效应可能导致模型过拟合和膨胀的第一类错误率。因此,拟合模型很容易变得过于复杂,隐含的社会互动行为变得难以解释。这个问题的一个潜在的解决方案是使用收缩先验应用贝叶斯正则化。在本文中,我们提出了贝叶斯正则化方法的关系事件模型,使用四种不同的先验:一个平坦的先验模型,没有收缩效应,岭估计与正常的先验,贝叶斯套索与拉普拉斯先验,和马蹄估计与数值构造的先验,有一个渐近线在零。我们开发和使用这些模型的演员为导向的关系事件模型和二元关系为导向的关系事件模型。我们展示了如何将贝叶斯正则化方法应用于这些模型,并提供了关于哪种方法效果最好的见解以及如何在实践中应用它们的指导方针。我们的研究结果表明,收缩先验可以减少第一类错误,同时保持合理的高预测性能和产生简约的模型来解释社会网络行为。
2022-03-23 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
A Two-Stage Cox Process Model with Spatial and Nonspatial Covariates
丰富的新标记点过程数据使研究人员能够考虑不同的问题,例如影响警察使用武力事件的位置和类型的因素,以及影响森林火灾位置和规模的特征。我们开发了一个两阶段对数高斯Cox过程,该过程在空间(社区水平)和非空间(个体或事件水平)特征方面对这些数据进行建模;这两种类型的协变量都存在于我们考虑的示例中,并且不容易通过现有方法合并。通过模拟和真实数据示例,我们发现我们的模型易于解释且灵活,可以容纳多种类型的标记和多种类型的空间协变量。在我们考虑的第一个例子中,我们的方法使我们能够研究社区层面的社会经济特征,如失业以及事件层面的功能,如警察使用武力的人员任期的影响,通过模拟的例子说明。在我们的第二个例子中,我们考虑的因素,影响从卡斯蒂利亚-拉曼恰地区的西班牙2004-2007年之间的森林火灾的位置和严重程度。
2022-07-17 stat.ME
Simulating Relational Event Histories: Why and How
本文提出基于dyadic与actor-oriented关系事件模型的网络模拟框架并实现于R包remulate,通过三个案例展示其在模型评估、理论构建和网络干预分析中的价值。
2025-01-08 cs.SI stat.ME
A global kernel estimator for partially linear varying coefficient additive hazards models
本文针对变系数可加风险模型提出一种全局核估计方法,以替代传统局部邻域估计,并通过理论证明、大规模模拟和癌症基因组学应用验证其更高效率和更优性能。
2024-01-18 stat.ME
Establishing the Parallels and Differences Between Right-Censored and Missing Covariates
本文建立右删失协变量与缺失协变量在不同删失和缺失假设下的联系,提出并分析六种估计量,并通过模拟和亨廷顿病数据验证。
2024-09-07 stat.AP stat.ME
Penalized Poisson model for network meta-analysis of individual patient time-to-event data
网络荟萃分析(NMA)允许将来自一组随机临床试验的直接和间接证据相结合。使用个体患者数据(IPD)执行NMA被认为是“金标准”方法,因为它提供了基于汇总数据的NMA的几个优势。例如,它允许执行协变量或协变量-治疗相互作用的高级建模。IPD NMA中的一个重要问题是在解释不一致性、协变量、协变量与治疗相互作用或治疗对至事件发生时间数据的影响不成比例的术语中选择有影响的参数。该问题尚未在文献中进行深入研究,特别是未针对至事件发生时间数据进行研究。一个主要的困难是共同考虑试验间异质性,这可能对选择过程产生重大影响。惩罚广义混合效应模型的使用是一种解决方案,但现有的实现方式有几个缺点和一个重要的计算成本,排除了它们用于复杂的IPD NMA。在这篇文章中,我们提出了一个惩罚泊松回归模型来执行时间到事件数据的IPD NMA。它仅基于固定效应参数,这比使用随机效应提高了其计算成本。它可以很容易地实现使用现有的惩罚回归包。计算机代码共享以供执行。这些方法应用于模拟数据,以说明在选择过程中考虑试验异质性的重要性。最后,将其应用于鼻咽癌放化疗总生存期的IPD NMA。
2021-10-19 stat.ME
Dynamic latent space relational event model
本文提出动态潜空间关系事件模型,利用嵌入通用 Kalman 滤波扩展的 EM 算法从邻接矩阵序列推断节点隐式运动,并兼容固定与随机效应。
2022-04-10 stat.CO stat.ME
Sequentially Doubly Robust Estimation of Conditional Survival Probability with Time-Varying Covariates
Michigan State University(密歇根州立大学);University of Washington(华盛顿大学);Fred Hutchinson Cancer Center(弗雷德·哈钦森癌症中心);Harvard Medical School(哈佛医学院)
本文提出一种非参数估计方法,用于估计连续时间生存概率,考虑时间变化协变量的失访影响,方法在每个时间窗口内一致估计失访分布或同时估计事件时间分布和条件均值概率,具有双重稳健性和渐近效率。
2026-11-03 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
Extension of the Gradient Boosting Algorithm for Joint Modeling of Longitudinal and Time-to-Event data
在各种数据情况下,联合模型是分析时间相关协变量与事件时间之间关系或校正回归分析中发生的事件相关脱落的有效工具。联合建模在单个联合可能性内连接纵向和生存子模型,然后可以通过标准优化方法将其最大化。这些传统的方法的主要负担是,计算工作量迅速增加,在更高的维度,他们不提供适当的变量选择的特殊工具。梯度提升技术在统计学家中是众所周知的,用于精确地解决这些问题,因此已经提出了基于函数梯度下降方法来拟合基本联合模型的初始提升算法。这项工作的目的是扩展该算法,以适应模型,将基线协变量只影响模型的生存部分。扩展的算法进行评估的基础上,低,高维模拟运行,以及艾滋病患者的数据集,其中纵向子模型模型的基本配置文件的CD 4细胞计数,然后得到包括在一起的几个基线协变量的生存子模型。
2018-10-24 stat.ME
Probabilistic Crop Yields Forecasts With Spatio-Temporal Conditional Copula Using Extreme Weather Covariates
本文提出一种结合贝叶斯结构时间序列与时变条件Copula的作物产量预测模型,利用动态广义极值模型刻画极端天气影响,并改进聚类算法实现大规模应用。
2025-03-28 stat.ME
A discrete-time survival model to handle interval-censored covariates, with applications to HIV cohort studies
本文提出一类离散时间参数生存模型,通过对区间删失的次要事件、结局和删失机制联合建模,解决协变量区间删失问题,并应用于南非HIV队列研究估计HIV状态对全因死亡率的影响。
2025-06-05 stat.ME
Validity of tests for time-to-event endpoints in studies with the Pocock and Simon covariate-adaptive randomization
在存在预后协变量的情况下,主要通过分层对数秩检验或基于Cox比例风险模型的评分检验推断至事件发生时间终点的治疗效果。在他们的开创性工作中,Ye和Shao(2020)从理论上证明了当模型被错误指定时,稳健评分检验(Wei和Lin,1989)以及未分层的对数秩检验在分层随机化试验中是保守的。然而,这一事实并没有建立Pocock和Simon协变量自适应分配,而是通过模拟。在本文中,我们扩大叶和邵的结果,更一般的一类随机化程序,并显示,部分理论上,部分通过模拟,Pocock和西蒙协变量自适应分配属于这一类。我们还推进搜索的相关结构的归一化层内不平衡与最小化描述的渐近相关阵的情况下,所有阶层的患病率相等。我们扩展了叶和邵提出的分层随机化的鲁棒性测试,以最小化,并通过模拟来检查它们的性能。
2022-02-08 math.ST stat.ME stat.TH
Modeling non-linear Effects with Neural Networks in Relational Event Models
Università della Svizzera italiana(提契诺大学)
针对动态网络关系事件模型中非线性效应建模的计算瓶颈,提出基于神经加性模型的DREAM,借助GPU优化内存与计算,高效捕获非线性关系,可扩展至含近800万节点、1亿事件的大规模网络,计算效率优于传统方法。
2023-12-19 cs.LG stat.CO stat.ME
Improve the Precision of Area Under the Curve Estimation for Recurrent Events Through Covariate Adjustment
本文针对复发事件场景中AUC估计精度不足的问题,提出一种非参数协变量调整方法,在保持无条件可解释性的同时实现效率增益,并通过理论和模拟验证其在不同随机化方案下提升统计功效的有效性。
2025-05-29 math.ST stat.AP stat.ME
Bayesian machine learning approach for recurrent events studies using Soft Bayesian Additive Regression Trees (SBART)
Florida State University(佛罗里达州立大学);The University of Texas at Austin(德克萨斯大学奥斯汀分校)
提出软贝叶斯加性回归树(SBART)非参数方法,结合软决策树与贝叶斯集成学习,用于复发事件建模,通过两层数据增强实现高效计算,在模拟和实际数据中优于现有方法。
2026-06-12 stat.ME
Improving Power in Randomized Controlled Trials with Time-to-Event Endpoints: A Risk-Free Approach
Amgen Inc.(安进公司)
提出一种利用外部数据中的预后信息,通过两步法(先估计预后评分,再将其作为协变量纳入非参数调整对数秩检验)来无偏估计边际风险比并提高试验效能的框架。
2026-05-26 stat.ME
Bayesian hierarchical bootstrap framework for causal subgroup estimation with a time-to-event outcome
Dalla Lana School of Public Health, University of Toronto(多伦多大学达拉·兰纳公共卫生学院);Division of Gastroenterology, Hepatology Nutrition, The Hospital for Sick Children(多伦多加急儿童医院胃肠病、肝病与营养科);University of Utah and Intermountain Healthcare Primary Children’s Hospital(犹他大学和盐湖城初级儿童医院);Institute of Health Policy, Management and Evaluation, University of Toronto(多伦多大学卫生政策、管理与评估研究所)
该研究针对含时间-事件结局的因果亚组估计问题,提出分层贝叶斯自助法框架,可稳定稀疏亚组的生存估计,模拟研究显示其性能优于贝叶斯加法回归树。
2026-08-04 stat.ME
Semiparametric Latent ANOVA Model for Event-Related Potentials
本文提出半参数潜在方差分析模型(SLAM),通过结构化高斯过程先验和潜在方差分析统一建模ERP成分及其与协变量的关联,并利用蒙特卡洛EM算法进行推断,在模拟和语音识别ERP数据中验证了其优于两步法的效率及年龄对ERP潜伏期的影响。
2023-11-02 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
A Bayesian semi-parametric approach for modeling memory decay in dynamic social networks
在关系事件网络中,参与者之间相互作用的趋势在很大程度上取决于社会网络中参与者之间过去的相互作用。过去交互的数量和自过去交互发生以来经过的时间都会影响参与者与网络中其他参与者交互的决策。最近发生的事件通常比很久以前发生的过去事件对当前交互行为的影响更大-这种现象被称为“记忆衰退”。以前的研究要么预先定义了一个短期和长期的记忆或固定的参数指数记忆使用一个预先定义的半衰期。然而,在现实生活中的关系事件网络中,人们通常不知道行为者对过去事件的记忆是如何随着时间的推移而逐渐消失的。出于这个原因,我们不能以特别的方式解决这个问题,而是应该从观察到的数据中了解记忆衰退的形状。在本文中,提出了一种新的基于贝叶斯模型平均的半参数方法,用于学习记忆衰减的形状,而不需要任何参数假设。该方法被应用到印度的社会政治行为者之间的关系事件的历史数据。
2021-09-04 stat.ME
Bridging the Gap: Introducing Joint Models for Longitudinal and Time-to-event Data in the Social Sciences
本文介绍联合模型方法,以处理社会科学时间-事件分析中的内生时变变量,并通过婚姻满意度与婚姻解体实例展示其优于经典方法,同时揭示相关关系。
2025-04-25 stat.AP stat.ME
Likelihood-based Modeling of Covariate-Specific Time-Dependent ROC Curves
针对纵向研究中难以调整协变量的时间依赖性ROC分析问题,提出非参正态预后生物标志物(NPB)框架,通过建模生物标志物与事件时间的联合分布估计协变量特定的ROC曲线,并在ALS中验证了其提升风险分层和临床试验设计的潜力。
2025-08-11 stat.AP stat.ME
A Counting Process View of Relational Event Models: Practical Asymptotics
Trinity College Dublin(都柏林三一学院);University of Hildesheim(希尔德斯海姆大学)
本文从计数过程角度重新审视关系事件模型,分析不同渐近机制下极大似然估计的渐近正态性条件,并通过模拟研究指导实际模型设定。
2026-06-04 cs.SI stat.ME
Refining Relational Event Models: Bayesian Penalization and Variable Selection in REMs
Tilburg University(蒂尔堡大学);Utrecht University(乌得勒支大学)
该研究针对关系事件模型的过拟合问题,通过模拟对比了未正则化ML估计、ABR和EBR的性能,发现带马蹄形先验的ABR和EBR变量选择与预测表现更优,推荐使用合适先验的ABR。
2026-08-31 stat.CO stat.ME
Improving the efficiency of infectious disease prevention trials using negative control outcome event times
University of Washington(华盛顿大学);Fred Hutchinson Cancer Center(弗雷德·哈钦森癌症中心);Penn State University(宾夕法尼亚州立大学);Gillings School of Global Public Health, University of North Carolina at Chapel Hill(北卡罗来纳大学教堂山分校吉林斯全球公共卫生学院)
该研究针对传染病预防试验中常规协变量调整精度不足的问题,提出调整阴性对照结局事件时间的估计方法,经HVTN 704/HPTN 085试验验证,可显著提升预防效果估计的精度。
2026-08-07 stat.ME
Testing for sufficient follow-up in cure models with categorical covariates
Korteweg-de Vries Institute for Mathematics, University of Amsterdam(阿姆斯特丹大学柯特维格-德弗里斯数学研究所);ORSTAT, KU Leuven(鲁汶大学统计与运筹学中心)
本文提出了一种适用于具有分类协变量的治愈模型中检验足够随访期的新方法,通过改进检验程序以提高统计功效。
2026-01-10 stat.ME
Bridging Balancing Weights and Augmentation in Covariate-adjusted Analyses with Time-to-Event Endpoints: Theory and Practical Recommendations
Duke University(杜克大学);Eli Lilly and Company(礼来公司)
本文针对带时间-事件终点的协变量调整分析,证明平衡权重法与数据增强法、边缘Cox得分法一阶等价,校准加权无需拟合模型即可达到目标,还通过模拟和REWIND试验验证了结果并给出方差估计建议。
2026-08-10 math.ST stat.AP stat.ME
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
Quantile Regression Modeling of Recurrent Event Risk
慢性疾病的进展通常表现为随着时间的推移反复发生疾病相关事件。描述这种复发事件风险的异质性可以为指导定制的疾病管理提供有价值的科学见解。在本文中,我们提出了一个新的建模框架,复发事件的数据,这使得一个灵活的和强大的表征,通过分位数回归,同时容纳观察到的协变量和不可观察的脆弱性的复发事件的个人倍增风险。建议的建模不需要分布规格的不可观察的弱点,同时允许探索动态协变量的影响。我们开发的估计和推理程序所提出的模型,通过一种新的适应原则的条件得分。证明了估计量的一致相合性和弱收敛性。大量的仿真研究表明,所提出的方法具有令人满意的有限样本性能。我们通过应用于糖尿病临床试验来说明新方法的实际效用,该试验探索了2型糖尿病患者低血糖的风险模式。
2018-11-15 stat.ME
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
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