Variable Selection with Broken Adaptive Ridge Regression for Interval-Censored Competing Risks Data
区间删失竞争风险数据的断裂自适应岭回归变量选择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：摘要主题为区间删失竞争风险的半参数变量选择方法，属于生存分析与高维统计方向，与所列微观、宏观、金融领域细分均无直接文本依据。
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…
区间删失竞争风险数据的断裂自适应岭回归变量选择
- 研究问题
- 摘要称，竞争风险数据中多个互斥事件相互排斥，研究问题是在区间删失情形下如何为每个事件同时选择重要风险因素并估计其效应。
- 方法与思路
- 作者提出采用断裂自适应岭（BAR）惩罚的惩罚变量选择程序，建立在半参数变换回归模型框架下，涵盖比例与非比例风险等常见模型，并通过模拟研究与真实HIV队列数据评估表现。
- 材料陈述的贡献
- 摘要称其贡献是提出可处理区间删失竞争风险数据的BAR变量选择方法，能够针对每个事件选择变量并估计效应，且建立了BAR程序的oracle性质。
- 阅读关注点
- 阅读全文时应核对：半参数变换模型的具体形式与识别条件、BAR惩罚的构造与算法、oracle性质所需的假设与渐近框架、模拟设计及HIV数据的变量与结论。
- 阅读边界
- 仅凭摘要无法判断模型假设是否合理、oracle性质证明是否完整、模拟与实证结果的具体数值，也无法确认方法相对已有方法的实际优势；该文为arXiv预印本，未经同行评审验证。
原文摘要
Competing risks data refer to situations where the occurrence of one event pre- cludes the possibility of other events happening, resulting in multiple mutually exclusive events. This data type is commonly encountered in medical research and clinical trials, exploring the interplay between different events and informing decision-making in fields such as healthcare and epidemiology. We develop a penal- ized variable selection procedure to handle such complex data in an interval-censored setting. We consider a broad class of semiparametric transformation regression mod- els, including popular models such as proportional and non-proportional hazards models. To promote sparsity and select variables specific to each event, we employ the broken adaptive ridge (BAR) penalty. This approach allows us to simultane- ously select important risk factors and estimate their effects for each event under investigation. We establish the oracle property of the BAR procedure and evaluate its performance through simulation studies. The proposed method is applied to a real-life HIV cohort dataset, further validating its applicability in practice.