Event history analysis with time-dependent covariates via landmarking supermodels and boosted trees
基于地标超级模型与提升树的时间依赖协变量事件史分析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：摘要聚焦事件史分析与动态预测的方法论，未涉及所提供领域细分中的因果推断、面板、离散选择、时间序列或金融等方向，故不选择。
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
基于地标超级模型与提升树的时间依赖协变量事件史分析
- 研究问题
- 摘要称，研究如何在含高维、时间依赖协变量的事件史分析中进行动态预测，即估计未来条件风险。
- 方法与思路
- 作者提出将地标（landmarking）超级模型与梯度提升树结合的非参数方法，并表述为筛型 M 估计量；计算上归结为泊松回归，可用标准梯度提升软件实现。
- 材料陈述的贡献
- 摘要称该方法能灵活捕捉交互与非线性效应，无需限制性参数假设，也不要求协变量过程为马尔可夫；理论上建立弱相合性，并避免地标 Cox 模型中的时间不一致问题。
- 阅读关注点
- 应核对弱相合性的具体假设与证明、地标选择与超级模型结构、时间不一致问题的形式化定义，以及模拟设置和原发性胆汁性肝硬化数据分析的细节。
- 阅读边界
- 仅凭摘要无法判断估计量的收敛速率、有限样本表现、与联合模型等地标方法的实际比较结果；摘要未说明具体识别条件与数据来源细节。该文为 arXiv 预印本，未经同行评审验证。
原文摘要
We propose a nonparametric method for dynamic prediction in event history analysis with high-dimensional, time-dependent covariates. The approach estimates future conditional hazards by combining landmarking supermodels with gradient boosted trees. Unlike joint modeling or Cox landmarking models, the proposed estimator flexibly captures interactions and nonlinear effects without imposing restrictive parametric assumptions or requiring the covariate process to be Markovian. We formulate the approach as a sieve M-estimator and establish weak consistency. Computationally, the problem reduces to a Poisson regression, allowing implementation via standard gradient boosting software. A key theoretical advantage is that the method avoids the temporal inconsistencies that arise in landmark Cox models. Simulation studies demonstrate that the method performs well in a variety of settings, and its practical value is illustrated through an analysis of primary biliary cirrhosis data.