超高维竞争风险模型的特征筛选

• 作者: 李二倩 梅波 田茂再
• 来源期刊: 中国科学（数学）
• 关键词: 竞争风险 特征筛选 超高维变量 部分似然逼近 生存分析
• 年，卷（期）: 2018,（8）
• 所属期刊栏目: 论文
• 页码范围: 1061-1086
• 页数: 26页
• 语种: 中文
• DOI: 10.1360/N012017-00069

摘要

在生存分析中, 已有一些文献提出处理普通时间事件数据的Cox模型的超高维变量选择方法.然而,对于个体处在多个互斥事件的风险下,即存在竞争风险情形,并不能直接应用这些方法. 一个分析竞争风险数据的常用模型就是比例子分布风险(proportional subdistribution hazard, PSH)模型. 本文基于确定联合筛选(sure joint screening, SJS)和惩罚近似对数部分似然, 对于超高维的PSH模型提出了两阶段变量选择方法,并证明了第一步特征筛选方法的确定筛选性质(sure screening property),即选出的变量集合以概率1渐近地包含实际的显著变量. 本文通过Monte Carlo模拟展现了方法的性能和表现,并与确定独立筛选(sure independence screening)方法进行了比较. 最后将方法应用到一个关于膀胱癌的公开数据集的分析中.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	田茂再		101	388	10.0	16.0
2	李二倩		5	7	2.0	2.0
3	梅波		7	33	3.0	5.0