Variable Selection for Infectious Disease Transmission via Penalized Pairwise Accelerated Failure Time Models
通过惩罚成对加速失效时间模型选择传染病传播变量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：摘要明确处理传播引致的个体间依赖及有序个体对接触过程，直接对应网络与干扰相关建模。
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…
通过惩罚成对加速失效时间模型选择传染病传播变量
- 研究问题
- 传染过程造成个体间依赖时，如何对传播接触间隔进行回归和变量选择，同时区分传染性、易感性与外部感染来源？
- 方法与思路
- 作者建立惩罚成对加速失效时间模型，以自适应 LASSO 最大似然估计和坐标下降选择变量，基线分布参数不受惩罚。
- 材料陈述的贡献
- 摘要称，在局部渐近与轮廓似然正则条件下建立选择相合性和渐近正态性，并在模拟与家庭流感数据中展示稀疏估计。
- 阅读关注点
- 应核对成对风险集、传播来源的处理、信息累积方式、惩罚参数选择及定理条件，并查明药物协变量估计的解释边界。
- 阅读边界
- 这是 arXiv 预印本，不能据此声称已同行评审或期刊接收；摘要未说明完整正则条件，药物效应估计也不能直接解释为因果效应。
原文摘要
In infectious disease transmission, regression and variable selection for time-to-event outcomes are complicated by transmission-induced dependence that violates standard independence assumptions. Pairwise survival analysis addresses this dependence by modeling contact intervals in ordered pairs, defined as the time from the onset of infectiousness in the pair's first individual to their first infectious contact with the second individual. We propose a penalized pairwise accelerated failure time model for contact intervals that accommodates simultaneous covariate effects on infectiousness and susceptibility while jointly representing within-population transmission and infection from external sources. For variable selection with many candidate covariates, we develop adaptive LASSO penalized maximum likelihood estimation with a coordinate descent algorithm, treating distributional baseline parameters as unpenalized nuisance parameters. We establish selection consistency and asymptotic normality of the adaptive LASSO estimator under profile-likelihood regularity conditions in a local asymptotic regime in which information accumulates over all ordered pairs that are ever at risk of transmission during follow-up. Simulation studies show accurate variable selection and improved estimation accuracy compared with the unpenalized estimator and the LASSO. We illustrate the method using 2009 household influenza A (H1N1) surveillance data from Los Angeles County, where the adaptive LASSO produces a sparse, interpretable model and improves the precision of selected covariate effect estimates, including the effect of antiviral prophylaxis on susceptibility.