Censored rank independence screening for high-dimensional survival data
高维生存数据的删失秩独立筛选AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要研究高维生存变量筛选，没有明确的经济金融应用或所列领域专属问题。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
高维生存数据的删失秩独立筛选
- 研究问题
- 当协变量维度远大于样本量，且预测变量含异常值、生存结局受删失影响时，如何筛选变量并尽量保留所有活跃变量？
- 方法与思路
- 作者研究针对高维生存数据的删失秩独立筛选，以替代在异常协变量或删失结局下表现不佳的 Pearson 相关筛选。
- 材料陈述的贡献
- 摘要称该方法对预测变量异常值稳健、适用于一般生存模型族，并具有高概率保留全部活跃变量的确定筛选性质。
- 阅读关注点
- 应核对删失秩统计量如何构造、最小信号和维度增长条件，以及筛选阈值选择和变量保留保证的具体概率界。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；确定筛选不等于精确模型选择，适用模型族、删失条件与稳健范围未说明。
原文摘要
In modern statistical applications, the dimension of covariates can be much larger than the sample size. In the context of linear models, correlation screening (Fan and Lv, 2008) has been shown to reduce the dimension of such data effectively while achieving the sure screening property, i.e., all of the active variables can be retained with high probability. However, screening based on the Pearson correlation does not perform well when applied to contaminated covariates and/or censored outcomes. In this paper, we study censored rank independence screening of high-dimensional survival data. The proposed method is robust to predictors that contain outliers, works for a general class of survival models, and enjoys the sure screening property. Simulations and an analysis of real data demonstrate that the proposed method performs competitively on survival data sets of moderate size and high-dimensional predictors, even when these are contaminated.