一个两步的可变选择策略,用于多次推算的生存数据,使用受惩罚的Cox模型

科学领域:

• 统计 统计 统计 统计
• 生物统计学 生物统计学
• 数据科学数据科学数据科学

背景情况:

• 多重归算 (MI) 是一种在统计分析中解决缺失数据的标准技术.
• 在MI后应用处罚回归方法存在挑战,因为在归算数据集中选择变量的潜在不一致性.
• 开发强大的变量选择策略对于可靠分析多重归算数据至关重要,特别是在生存建模中.

研究的目的:

• 建议和评估一种新的两步变量选择方法,用于具有生存结果的多重归算数据集.
• 将拟议方法的性能与其他方法进行比较,包括加权惩罚回归和组 LASSO 的堆叠MI数据集.
• 调查不同惩罚技术和选择规则对变量选择稳定性和估计准确性的影响.

主要方法:

• 一个两步的变量选择程序,涉及LASSO或ALASSO在单个归算数据集上,然后是回归和基于包含频率 (数据集的任何或d%) 选定变量的聚合.
• 与堆叠的MI数据集进行比较,使用加权惩罚回归和强制执行一致选择的组 LASSO 方法.
• 使用考克斯模型进行模拟研究,评估性能指标并采用各种模型调整策略 (AIC,BIC,交叉验证,1SE规则).

主要成果:

• 绩效有很大差异,具体取决于所采用的具体惩罚方法和选择规则.
• 保守的方法,如ALASSO与BIC和50%的纳入频率,显示出更好的控制假阳性和改进的校准稳定性.
• 分组的LASSO方法产生了可比的变量选择,但与略高的估计错误有关.
• 在所有模拟场景中,没有一种单一的方法在所有模拟场景中始终超过所有其他方法.

结论:

• 处罚方法和变量选择规则的选择对多重归算生存数据的分析产生重大影响.
• 在选择方法时,从业者必须仔细考虑变量选择稳定性,估计准确性和模型校准之间的权衡.
• 提出的两步方法,特别是保守的设置,提供了一个有前途的战略,在多次归纳的生存数据分析中进行可靠的变量选择.