Variable selection for case-cohort studies with failure time outcome
失效时间结局病例队列研究中的变量选择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。
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病例队列抽样与变量选择，不能仅因队列数据而归为面板数据。
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
失效时间结局病例队列研究中的变量选择
- 研究问题
- 病例队列设计中，协变量数量随样本规模增加时，如何进行有效变量选择，并建立惩罚估计的一致性、渐近分布和选择性质？
- 方法与思路
- 作者使用平滑截断绝对偏差惩罚构建最大惩罚伪部分似然估计，并通过模拟比较基于 AIC 与 BIC 的调参方式及实际健康研究应用。
- 材料陈述的贡献
- 摘要称估计量具有一致性与渐近正态性，变量选择一致并具有渐近预言性质，还给出病例队列研究中的使用建议和实证示例。
- 阅读关注点
- 应核对病例队列抽样如何进入伪部分似然、参数维度允许的增长范围，以及惩罚与调参条件，检查模拟对选择误差的评价。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；抽样与失效模型条件、维度增长限制和具体使用建议未说明，不能推断刊本变化。
原文摘要
Case-cohort designs are widely used in large cohort studies to reduce the cost associated with covariate measurement. In many such studies the number of covariates is very large, so an efficient variable selection method is necessary. In this paper, we study the properties of a variable selection procedure using the smoothly clipped absolute deviation penalty in a case-cohort design with a diverging number of parameters. We establish the consistency and asymptotic normality of the maximum penalized pseudo-partial-likelihood estimator, and show that the proposed variable selection method is consistent and has an asymptotic oracle property. Simulation studies compare the finite-sample performance of the procedure with tuning parameter selection methods based on the Akaike information criterion and the Bayesian information criterion. We make recommendations for use of the proposed procedures in case-cohort studies, and apply them to the Busselton Health Study.