×

带有序数多项式协变量的Cox模型的惩罚估计。 (英语) Zbl 07498032号

摘要:处理序数多项式(OM)变量的模型在回归分析中备受关注。有序响应变量的研究已经建立并广泛应用。然而,很少有研究研究具有OM协变量的广义线性模型,尤其是在高维情况下。对于这个问题,需要同时关注OM协变量的伪类别检测和其他重要协变量的选择。本文提出了一种L_1范数惩罚估计方法来检测高维Cox模型中OM协变量的伪类别。该估计方法基于虚拟变量变换方法和惩罚部分似然法的组合。在某些正则性条件下,严格地建立了所提出估计的一致性和预言性等理论性质。通过对模拟数据和实际数据的分析,说明了该方法的性能。

MSC公司:

62至XX 统计

软件:

老鼠
PDF格式BibTeX公司 XML格式引用
全文: DOI程序

参考文献:

[1] 刘,我。;Agresti,A.,《有序分类数据的分析:最新发展综述和调查》,Test,14,1,1-73(2005)·Zbl 1069.62057号
[2] Agresti,A.,《有序分类数据分析》(2010年),佛罗里达州盖恩斯维尔:约翰·威利父子公司,佛罗里达州盖恩斯维尔·Zbl 1263.62007年
[3] Cox,博士,回归模型和寿命表,J R Stat Soc Ser B-Stat Methodol,34,2187-220(1972)·Zbl 0243.62041号
[4] Cox,DR.,部分可能性,生物统计学,62,2,269-276(1975)·Zbl 0312.62002号
[5] Tsiatis,AA,《考克斯回归模型的大样本研究》,《Ann Stat》,9,1,93-108(1981)·Zbl 0455.62019号
[6] 安徒生,PK;Gill,RD.,《计数过程的考克斯回归模型:大样本研究》,Ann Stat,10,4,1100-1120(1982)·Zbl 0526.62026号
[7] Lin,DY;魏,LJ。,cox比例风险模型的稳健推断,J Am Stat Assoc,84,408,1074-1078(1989)·Zbl 0702.62042号
[8] Burschka,J。;小球,N。;Moon,S.,《顺序沉积作为高性能钙钛矿敏化太阳能电池的途径》,《自然》,499,7458,316-319(2013)
[9] 冯,SS;李,H。;Fan,F.,原发性胶质肉瘤的临床特征和疾病特异性预后列线图:一项基于seer人群的分析,Sci Rep,9,10744,2045-2322(2019)
[10] Tibshirani,R.,通过套索进行回归收缩和选择,J R Stat Soc Ser B-Methodol,58,1,267-288(1996)·Zbl 0850.62538号
[11] 范,J。;Li,R.,《基于非一致惩罚似然的变量选择及其预言属性》,美国统计协会,96,456,1348-1360(2001)·Zbl 1073.62547号
[12] Zou,H.,自适应套索及其预言性质,美国国家统计协会,1014761418-1429(2006)·Zbl 1171.62326号
[13] Tibshirani,R.,《考克斯模型中变量选择的套索方法》,《统计医学》,16,4,385-395(1997)
[14] 范,J。;Li,R.,考克斯比例风险模型和脆弱性模型的变量选择,《统计年鉴》,30,1,74-99(2002)·Zbl 1012.62106号
[15] 张,HH;Lu,W.,考克斯比例风险模型的自适应套索,生物统计学,94,3,691-703(2007)·Zbl 1135.62083号
[16] Wu,Y.,带解路径算法的考克斯比例风险模型的弹性网,Stat Sin,22,1,27-294(2012)·Zbl 06013159号
[17] 王,M。;Wang,X.,超高维广义线性模型的自适应套索估计,Stat Probab Lett,89,41-50(2014)·Zbl 1463.62211号
[18] 崔,Y。;陈,X。;Yan,L.,具有发散参数的广义线性模型的自适应套索,Commun Stat-Theor Meth,46,2311826-11842(2017)·Zbl 1414.62317号
[19] 沃尔特,SD;阿肯色州范斯坦;Wells,CK.,《多元回归分析中有序自变量的编码》,《美国流行病学杂志》,125,2,319-323(1987)
[20] Gerthiss,J。;Tutz,G.,带序数预测因子的惩罚回归,国际统计评论,77,3,345-365(2009)
[21] Tian,H。;Huang,L.等人。;Cheng,C.,带有序多类别预测因子的回归模型,J Stat Comput Simul,88,16,3164-3178(2018)·Zbl 07192709号
[22] Schwarz,G.,估算模型的维数,Ann Stat,6,2,461-464(1978)·Zbl 0379.62005年
[23] 马萨诸塞州霍顿。,关于选择模型来拟合指数族的数据,Ann Stat,16,1,342-355(1988)·Zbl 0657.62037号
[24] 陈,J。;Chen,Z.,大模型空间模型选择的扩展贝叶斯信息准则,Biometrika,95,3,759-771(2008)·Zbl 1437.62415号
[25] Lei,H。;夏,Y。;秦,X.,带arma误差的半变系数时间序列模型的估计,Ann Stat,44,4,1618-1660(2016)·Zbl 1346.60020号
[26] Tibshirani,R。;马萨诸塞州桑德斯;Rosset,S.,《通过融合套索实现的稀疏与平滑》,J R Stat Soc Ser B-Stat Methodol,67,1,91-108(2005)·兹比尔1060.62049
[27] 查图尔维迪,N。;德梅内泽斯,RX;JJ戈曼。,cox比例风险和二项式logit模型的融合套索算法及其在复制数字轮廓中的应用,BiometricalJ,56,3,477-492(2014)·Zbl 1441.62297号
[28] 黄,L。;Hang,W。;Chao,Y.,具有有序多分类预测因子的高维回归,Stat Med,39,294-309(2020)
[29] 西蒙,N。;JH弗里德曼;Hastie,T.,通过坐标下降实现cox比例风险模型的正则化路径,J Stat Softw,Articles,39,5,1-13(2011)
[30] 邹,H。;Hastie,T.,《通过弹性网进行正则化和变量选择》,J R Stat Soc Ser B-Stat Methodol,67,2,301-320(2005)·Zbl 1069.62054号
[31] 惠,FKC;DI沃顿;Foster,SD,使用eric为自适应套索选择调谐参数,J Am Stat Assoc,110,509,262-269(2015)·Zbl 1373.62370号
[32] 罗,S。;徐,J。;Chen,Z.,高维特征空间cox模型中的扩展贝叶斯信息准则,Ann Inst Stat Math,67,2,287-311(2015)·Zbl 1341.62093号
[33] 多诺霍,DL;印第安纳州约翰斯通。,小波收缩的理想空间自适应,Biometrika,81,32425-455(1994)·Zbl 0815.62019号
[34] 安东尼亚迪斯,A。;Fan,J.,小波近似的正则化,美国统计协会,96,455,939-967(2001)·Zbl 1072.62561号
[35] 多诺霍,DL;印第安纳州约翰斯通。,基于小波收缩的最小极大估计,Ann Stat,26,3,879-921(1998)·Zbl 0935.62041号
[36] 范,J。;Peng,H.,具有发散参数数的非凹惩罚似然,Ann Stat,32,3928-961(2004)·Zbl 1092.62031号
[37] 吕,S。;你,M。;Lin,H.,关于高维cox模型套索的符号一致性,J Multivar Ana,167,79-96(2018)·Zbl 1395.62309号
[38] Bender,R。;奥古斯丁,T。;Blettner,M.,《生成生存时间以模拟cox比例风险模型》,Stat Med,24,11,1713-1723(2005)
[39] 范,J。;Lv,J.,超高维特征空间的确定独立筛选,J R Stat Soc Ser B-Stat Methodol,70,5,849-911(2008)·Zbl 1411.62187号
[40] Van Buuren,S。;Groothuisoudshoorn,K.,《小鼠:通过r中的连锁方程进行多元插补》,J Stat Softw,45,3,1-67(2011)
[41] 袁,M。;Lin,Y.,分组变量回归中的模型选择和估计,J R Stat Soc:Ser B-Stat Methodol,68,1,49-67(2006)·兹比尔1141.62030
[42] Bradic,J。;范,J。;蒋,J.,具有np维的cox比例风险模型的正则化,Ann Statist,39,6,3092-3120(122011)·Zbl 1246.62202号
[43] 蔡,J。;范,J。;Li,R.,多元失效时间数据的变量选择,Biometrika,92,2,303-316(2005)·Zbl 1094.62123号
此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配,可能包含数据转换错误。在某些情况下,zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献,而不要求完整或完全匹配。