Factor-Augmented Regularized Model for Hazard Regression
风险回归的因子增强正则化模型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：摘要研究一般高维生存分析，未提供宏观因子或其他所列领域的直接应用依据。
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…
关注这篇论文的作者
风险回归的因子增强正则化模型
- 研究问题
- 高维协变量具有强相关和潜在因子结构时，如何在含删失数据及时间变化协变量的 Cox 风险模型中进行变量选择与估计？
- 方法与思路
- 作者提出 FarmHazard，先从协变量中学习潜在因子与特异成分，再将其作为预测变量构建正则化风险回归，并扩展变量筛选。
- 材料陈述的贡献
- 摘要称，作者证明模型选择与估计的一致性，并在模拟和真实数据中报告变量选择、样本外 C 指数及筛选表现的改善。
- 阅读关注点
- 应核对因子恢复、删失机制和时间变化协变量所需条件，以及一致性证明、筛选规则和比较方法的调参方式。
- 阅读边界
- 这是 arXiv 预印本，同行评审与期刊接收未核实；摘要未说明所谓温和条件的具体内容，也未提供比较结果的数值与不确定性。
原文摘要
A prevalent feature of high-dimensional data is the dependence among covariates, and model selection is known to be challenging when covariates are highly correlated. To perform model selection for the high-dimensional Cox proportional hazards model in presence of correlated covariates with factor structure, we propose a new model, Factor-Augmented Regularized Model for Hazard Regression (FarmHazard), which builds upon latent factors that drive covariate dependence and extends Cox's model. This new model generates procedures that operate in two steps by learning factors and idiosyncratic components from high-dimensional covariate vectors and then using them as new predictors. Cox's model is a widely used semi-parametric model for survival analysis, where censored data and time-dependent covariates bring additional technical challenges. We prove model selection consistency and estimation consistency under mild conditions. We also develop a factor-augmented variable screening procedure to deal with strong correlations in ultra-high dimensional problems. Extensive simulations and real data experiments demonstrate that our procedures enjoy good performance and achieve better results on model selection, out-of-sample C-index and screening than alternative methods.