考克斯比例危险模型的统计推理,具有不同数量的共变量

科学领域:

• 生物统计学 生物统计学
• 统计推理 统计推理
• 机器学习 机器学习

背景情况:

• 现有的回归模型通常依赖于反向费舍尔信息矩阵的稀疏性假设.
• 这些假设在考克斯的比例危险模型中经常被违反,导致偏差的估计和不良的置信区间覆盖.
• 这种限制阻碍了在高维设置中准确的统计推断.

研究的目的:

• 为回归模型中的统计推理提出一种新的修改后的 debiased lasso 方法.
• 通过消除对反向费舍尔信息矩阵的稀疏性假设的需求,克服现有方法的局限性.
• 提供准确的回归系数估计和可靠的置信区间,特别是当协变量数量与样本大小不同时.

主要方法:

• 开发了一种经过修改的低压拉索方法.
• 利用一系列二次编程问题来近似反向信息矩阵.
• 在不同维度下估计回归系数的确定的非对称结果.
• 通过广泛的模拟验证了该方法.

主要成果:

• 拟议的方法为回归系数提供了一致的估计.
• 置信区间显示了标称覆盖率的概率,这表明可靠性有所提高.
• 失调的拉索方法有效地解决了Cox模型中被违反的稀疏性假设所造成的问题.
• 在分析肺癌存活率上的遗传标记物效应方面表现出实际实用性.

结论:

• 经过修改的 debiased lasso 方法为高维回归中的统计推理提供了一个强大的替代方案.
• 它成功地克服了与传统稀缺性假设相关的局限性.
• 该方法提供了准确可靠的结果,增强了复杂的生物和流行病学数据的分析.