High-dimensional variable selection for Cox's proportional hazards model
Cox 比例风险模型中的高维变量选择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。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
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：摘要研究生存分析中的变量筛选，未明确属于所列因果、面板或其他经济计量细分领域。
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
Cox 比例风险模型中的高维变量选择
- 研究问题
- 在生存结局伴随大量基因组等协变量时，如何筛选与生存时间相关的变量，并将超高维筛选方法扩展到 Cox 模型？
- 方法与思路
- 作者将 sure screening 程序扩展到 Cox 比例风险模型，同时提供迭代版本，并通过模拟与 LASSO 等方法比较。
- 材料陈述的贡献
- 摘要称模拟显示所提方法具有较好的表现，为迭代独立筛选方案在高维生存分析中的适用性提供示例证据。
- 阅读关注点
- 应核对筛选准则、删失处理、迭代步骤与停止规则，以及是否提供筛选理论和模拟比较所采用的评价指标。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要未说明删失假设、理论保证或具体模拟结果，不能认定普遍优于 LASSO。
原文摘要
Variable selection in high dimensional space has challenged many contemporary statistical problems from many frontiers of scientific disciplines. Recent technology advance has made it possible to collect a huge amount of covariate information such as microarray, proteomic and SNP data via bioimaging technology while observing survival information on patients in clinical studies. Thus, the same challenge applies to the survival analysis in order to understand the association between genomics information and clinical information about the survival time. In this work, we extend the sure screening procedure Fan and Lv (2008) to Cox's proportional hazards model with an iterative version available. Numerical simulation studies have shown encouraging performance of the proposed method in comparison with other techniques such as LASSO. This demonstrates the utility and versatility of the iterative sure independent screening scheme.