徐金凤 基因研究中的高维Cox回归分析与截尾生存结果。 （英语） Zbl 1263.62134号 J.概率。斯达。 2012年，文章ID 478680，14 p.（2012）. 摘要：随着高通量技术的进步，如今高维基因组和蛋白质组数据很容易获得，在揭示许多疾病的复杂病因方面变得越来越重要。虽然通过Cox相对风险模型将大量因素与生存结果联系起来，但文献中提出了各种技术。我们回顾了一些最近开发的此类分析方法。对于具有参数相对风险的Cox模型中的高维变量选择，我们考虑了使用套索惩罚的单变量收缩方法（US）和使用折叠惩罚的惩罚偏似然方法（PPL）。惩罚方法并不局限于有限维情况。对于高维（（p\rightarrow\infty，；p\lln）或超高维情况（（n\rightarrow\infty，n\llp）），确定独立性筛选（SIS）方法和扩展贝叶斯信息准则（EBIC）都可以进一步纳入变量选择的惩罚方法中。我们还考虑了具有半参数相对风险的Cox模型的惩罚方法和Cox模型修正的偏最小二乘法。讨论了不同方法的比较，并给出了数值例子。最后，提出了进一步研究的领域。 引用于2文件 MSC公司： 第62页第10页 统计学在生物学和医学中的应用；元分析 92D10型 遗传学和表观遗传学 65立方厘米60 统计中的计算问题（MSC2010） 软件：uniCox公司；格尔姆奈特 PDF格式BibTeX公司 XML格式引用 \textit{J.Xu}，J.Probab。Stat.2012，文章ID 478680，14 p.（2012；Zbl 1263.62134） 全文： 内政部 参考文献： [1] L.Breiman，“模型选择中不稳定性和稳定性的启发”，《统计年鉴》，第24卷，第2350-2383页，1996年·Zbl 0867.62055号 ·doi:10.1214/aos/1032181158 [2] R.Tibshirani，“通过类进行回归收缩和选择”，《皇家统计学会期刊B》，第58卷，第267-288页，1996年·Zbl 0850.62538号 [3] J.Fan和R.Li，“通过非认证惩罚可能性及其预言属性进行变量选择”，《美国统计协会杂志》，第96卷，第456期，第1348-1360页，2001年·Zbl 1073.62547号 ·doi:10.1198/016214501753382273 [4] J.Fan和H.Peng，“参数数量不同的非凹惩罚可能性”，《统计学年鉴》，第32卷，第3期，第928-9612004页·Zbl 1092.62031号 ·doi:10.1214/009053604000000256 [5] J.Fan和J.Lv，“超高维特征空间的确定独立筛选”，《皇家统计学会学报》B卷，第70卷，第5期，第849-911页，2008年·doi:10.1111/j.1467-9868.2008.00674.x [6] J.Chen和Z.Chen，“大模型空间模型选择的扩展贝叶斯信息标准”，《生物统计学》，第95卷，第3期，第759-771页，2008年·Zbl 1437.62415号 ·doi:10.1093/biomet/asn034 [7] J.Chen和Z.Chen，“小n大P稀疏GLM的扩展BIC”，《统计》。新闻界·Zbl 1238.62080号 [8] R.Tibshirani，“考克斯模型中变量选择的拉索方法”，《医学统计学》，第16卷，第385-395页，1997年·doi:10.1002/（SICI）1097-0258（19970228）16:4<385:：AID-SIM380>3.0.CO；2-3 [9] J.Fan和R.Li，“考克斯比例风险模型和脆弱性模型的变量选择”，《统计年鉴》，第30卷，第1期，第74-99页，2002年·Zbl 1012.62106号 ·doi:10.1214/aos/1015362185 [10] H.H.Zhang和W.Lu，“Cox比例风险模型的自适应套索”，《生物统计学》，第94卷，第3期，第691-703页，2007年·Zbl 1135.62083号 ·doi:10.1093/biomet/asm037 [11] H.Zou，“惩罚比例风险模型中基于路径的变量选择注释”，《生物特征》，第95卷，第1期，第241-247页，2008年·Zbl 1437.62681号 ·doi:10.1093/biomet/asm083 [12] R.J.Tibshirani，“高维数据的Cox模型中的单变量收缩”，《遗传学和分子生物学的统计应用》，第8卷，第3498-3528页，2009年·Zbl 1276.62096号 ·数字对象标识代码：10.2202/1544-6115.1438 [13] J.Bradic、J.Fan和J.Jiang，“具有NP维的Cox比例风险模型的正则化”，第39卷，第6期，第3092-3120页，2011年·Zbl 1246.62202号 ·doi:10.1214/11-AOS911 [14] P.Du、S.Ma和H.Liang，“具有半参数相对风险的Cox模型的惩罚变量选择程序”，《统计年鉴》，第38卷，第4期，第2092-2117页，2010年·Zbl 1202.62132号 ·doi:10.1214/09-AOS780 [15] H.Li和G.Jiang，“高维微阵列基因表达数据的偏Cox回归分析”，生物信息学，第20卷，第1期，第i208-i2152004页·doi:10.1093/bioinformatics/bth900 [16] P.Verweij和H.van Houwelingen，“生存分析中的交叉验证”，《医学统计学》，第12卷，第2305-23141993页·数字对象标识代码：10.1002/sim.4780122407 [17] D.L.Donoho和I.M.Johnstone，“小波收缩的理想空间适应”，《生物统计学》，第81卷，第3期，第425-455页，1994年·Zbl 0815.62019号 ·doi:10.1093/biomet/81.3.425 [18] D.Paul、E.Bair、T.Hastie和R.Tibshirani，“高维问题中特征选择和回归的‘预处理’”，《统计年鉴》，第36卷，第4期，第1595-1618页，2008年·Zbl 1142.62022号 ·doi:10.1214/009053600000000578 [19] P.J.Bickel、Y.Ritov和A.B.Tsybakov，“LASSO和Dantzig选择器的同步分析”，《统计年鉴》，第37卷，第1705-1732页，2009年·Zbl 1173.62022号 ·doi:10.1214/08-AOS620 [20] Y.Kim、H.Choi和H.-S.Oh，“平滑剪裁高维绝对偏差”，《美国统计协会期刊》，第103卷，第484期，第1665-1673页，2008年·Zbl 1286.62062号 ·doi:10.19198/0162114508000001066 [21] J.Bradic、J.Fan和W.Wang，“超高维变量选择的惩罚复合拟似然”，《皇家统计学会期刊B辑》，出版。 [22] T.T.Wu和K.Lange，“套索惩罚回归的坐标下降算法”，《应用统计学年鉴》，第2卷，第1期，第224-244页，2008年·Zbl 1137.62045号 ·doi:10.1214/07-AOAS174支持 [23] J.Friedman、T.Hastie和R.Tibshirani，“通过坐标下降法实现广义线性模型的正则化路径”，《统计软件杂志》，第33卷，第1-22页，2010年。 [24] B.Efron、T.Hastie、I.Johnstone和R.Tibshirani，“最小角度回归”，《统计年鉴》，第32卷，第2期，第407-499页，2004年，作者讨论和反驳·Zbl 1091.62054号 ·doi:10.1214/009053604000000067 [25] H.Wold，“用迭代最小二乘法估计主成分和相关模型”，载于《多元分析》，P.R.Krishaiaah，Ed.，第391-420页，美国纽约州纽约市学术出版社，1966年·Zbl 0214.46103号 [26] D.Nguyen和D.M.Roke，“应用于DNA微阵列数据的偏最小二乘比例风险回归”，《生物信息学》，第18卷，第1625-1632页，2002年·doi:10.1093/bioinformatics/18.12.1625 [27] P.J.Park、L.Tian和I.S.Kohane，“使用偏最小二乘法将表达数据与患者生存时间联系起来”，生物信息学，第18卷，第S120-S1272002页·doi:10.1093/bioinformatics/18.suppl_1.S120 [28] B.D.Marx，“广义线性回归的迭代加权偏最小二乘估计”，《技术计量学》，第38卷，第374-381页，1996年·Zbl 0902.62081号 ·doi:10.2307/1271308 [29] D.G.Beer、S.L.Kardia、C.C.Huang等人，“基因表达谱预测肺腺癌患者的生存率”，《自然医学》，第8卷，第816-824页，2002年。 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。