Adaptive Lasso for Cox's proportional hazards model
Cox 比例风险模型的自适应 LassoAI 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：摘要直接讨论生存模型中的变量选择与惩罚估计，未涉及所列经济计量细分对象，不能因风险模型名称归入金融风险方向。
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
Cox 比例风险模型的自适应 Lasso
- 研究问题
- 如何在 Cox 比例风险模型中同时完成变量选择与系数估计，使程序具有可研究的理论性质，并保持计算上的便利性？
- 方法与思路
- 作者对对数偏似然加入系数特定的自适应加权 L1 惩罚，使不同变量承受不同惩罚，并利用凸优化结构构建设计算法。
- 材料陈述的贡献
- 摘要称研究了估计量的一致性和收敛速度，并在适当正则化参数选择下证明 oracle 性质；模拟与真实示例显示其表现有竞争力。
- 阅读关注点
- 应核对自适应权重来源、初始估计要求、正则化参数条件，以及 oracle 性质所处的维数框架、删失设定与模型条件。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；理论条件、删失机制及数值结果未说明，不能将 oracle 性质理解为有限样本保证。
原文摘要
We investigate the variable selection problem for Cox's proportional hazards model, and propose a unified model selection and estimation procedure with desired theoretical properties and computational convenience. The new method is based on a penalized log partial likelihood with the adaptively weighted L1 penalty on regression coefficients, providing what we call the adaptive Lasso estimator. The method incorporates different penalties for different coefficients: unimportant variables receive larger penalties than important ones, so that important variables tend to be retained in the selection process, whereas unimportant variables are more likely to be dropped. Theoretical properties, such as consistency and rate of convergence of the estimator, are studied. We also show that, with proper choice of regularization parameters, the proposed estimator has the oracle properties. The convex optimization nature of the method leads to an efficient algorithm. Both simulated and real examples show that the method performs competitively.