Variable selection in frailty mixture cure models via penalized likelihood estimation
脆弱混合治愈模型中的惩罚似然变量选择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：摘要主题为治愈模型下的惩罚变量选择与半参数估计，属于生物统计/生存分析方法，与所列微观、宏观、金融领域细分无直接文本对应，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…
脆弱混合治愈模型中的惩罚似然变量选择
- 研究问题
- 摘要称，在预测变量维度很大、同时存在个体内相关与治愈比例的数据（如复发事件的纵向研究）中，如何同时校正个体内相关与治愈比例进行变量选择，现有方法较少。
- 方法与思路
- 作者提出基于惩罚最小二乘近似的变量选择方法，借助广义线性混合模型框架，在发生子模型与潜伏子模型中同时收缩与选择固定效应，并用发生与潜伏共享的随机效应项校正个体内相关，协方差结构可灵活设定；估计采用惩罚半参数限制最大似然与EM算法，考察自适应lasso与SCAD两种惩罚。
- 材料陈述的贡献
- 摘要称该方法可同时处理个体内相关与治愈比例，实现两个子模型的固定效应选择，随机效应协方差结构可设为时不变或时变；模拟研究以oracle程序为基准评估有限样本表现，并用乳腺癌基因表达复发事件数据展示实用性，称在预测变量较多时整体可解释性优于未惩罚模型。
- 阅读关注点
- 阅读全文时应核对：治愈比例与脆弱项的识别假设、随机效应共享与协方差结构的具体设定、惩罚半参数限制最大似然的估计与推断性质、调优参数选择方式、模拟设计是否贴近实际数据生成机制，以及乳腺癌数据中复发事件定义与结论的稳健性。
- 阅读边界
- 仅依据摘要，无法判断方法的理论性质（如选择相合性、渐近分布）、模拟的具体设置与数值结果、真实数据的效应大小与外部有效性；摘要未说明治愈比例与个体内相关的识别来源，也未说明与既有方法的系统比较。该文为arXiv预印本，未经同行评审或期刊接收验证。
原文摘要
Variable selection naturally arises as a useful subject when faced with data with massive predictor space. In addition to the massive dimensionality, the data may be characterized by intra-subject correlation, and cure fraction, which are ubiquitous in longitudinal studies with recurrent events defining the endpoint of interest. However, variable selection methods simultaneously adjusting for intra-subject correlation, and cure fraction are rare. We propose a comprehensive variable selection method for frailty mixture cure models based on penalized least squares approximation via the generalized linear mixed model methodology. The method provides shrinkage estimation and selection of fixed effects in the incidence and the latency submodels, adjusting for intra-subject correlation using a random effect term. The random effect is shared between the incidence and the latency, incorporating a flexible choice of covariance structure, allowing intra-subject correlation to be modeled as either time-invariant or time-varying. Estimation is facilitated by a penalized semiparametric restricted maximum likelihood method using an expectation-maximization algorithm. Two penalty functions, namely the adaptive least absolute shrinkage and selection operator (adaptive lasso), and the smoothly clipped absolute deviation (SCAD) are studied in the proposed method. Simulation studies are considered, benchmarking the method against an oracle procedure to access its finite sample performance. The practical utility of the method is illustrated using data on recurrent events from a breast cancer gene expression study. In the presence of a relatively large predictor space, results show that the method yields plausible interpretability in whole, as opposed to an unpenalized model.