A note on path-based variable selection in the penalized proportional hazards model
惩罚比例风险模型中基于路径的变量选择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。
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 Cox 生存模型的变量选择与计算，未明确涉及给定的计量领域细分，不能据估计效率措辞强行归类。
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
惩罚比例风险模型中基于路径的变量选择
- 研究问题
- 如何在 Cox 比例风险模型中高效进行变量选择，并使适当调参后的估计兼顾选择一致性与估计效率？
- 方法与思路
- 作者构造连接最大部分似然估计与原点的分段线性正则化路径，沿路径选模型，并用改进的最小角回归类算法计算。
- 材料陈述的贡献
- 摘要称，适当调参可获得类似已知真实子模型的表现，并具选择一致性与估计效率；模拟中相对两类惩罚估计表现较好。
- 阅读关注点
- 应核对自适应性质与效率结论的条件、调参规则及路径算法，并检查与 lasso、SCAD 比较的样本和评价指标。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；理论条件与模拟数值未给出，不能将比较结果推广到所有场景或推断刊本变化。
原文摘要
We propose an efficient and adaptive shrinkage method for variable selection in the Cox model. The method constructs a piecewise-linear regularization path connecting the maximum partial likelihood estimator and the origin. Then a model is selected along the path. We show that the constructed path is adaptive in the sense that, with a proper choice of regularization parameter, the fitted model works as well as if the true underlying submodel were given in advance. A modified algorithm of the least-angle-regression type efficiently computes the entire regularization path of the new estimator. Furthermore, we show that, with a proper choice of shrinkage parameter, the method is consistent in variable selection and efficient in estimation. Simulation shows that the new method tends to outperform the lasso and the smoothly-clipped-absolute-deviation estimators with moderate samples. We apply the methodology to data concerning nursing homes.