Wild Bootstrap and Efron's Bootstrap for Debiased Cox Regression
去偏Cox回归的野生自助法与Efron自助法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：摘要属于高维生存回归与自助推断，未明确涉及所列经济计量领域细分。
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
去偏Cox回归的野生自助法与Efron自助法
- 研究问题
- Cox Lasso变量选择后，如何对去偏回归系数进行可靠推断？两种得分自助法能否改善小中样本置信区间的覆盖率？
- 方法与思路
- 作者固定原始 Cox Lasso 拟合与去偏矩阵，对得分贡献施加独立乘子或中心化多项重抽样权重，并用模拟与应用考察表现。
- 材料陈述的贡献
- 摘要称，两种自助方案具有渐近有效性，在许多小中样本设置中比一阶去偏Wald区间覆盖更准确，但改善程度依赖设置与调参。
- 阅读关注点
- 应核对渐近有效性的具体条件、删失机制、维度与稀疏性要求，以及固定拟合的依据、调参规则和各模拟场景的覆盖表现。
- 阅读边界
- 材料为 arXiv v1预印本，不能据此声称已同行评审或期刊接收；摘要未提供有效性条件及数值结果，改善并非所有设置下的保证。
原文摘要
Cox regression with Lasso penalization is widely used for variable selection in time-to-event data, but reliable coefficient inference after selection remains difficult. We investigate bootstrap inference for the debiased Cox estimator after Cox Lasso selection. Two score-based procedures are considered: a wild bootstrap using independent multipliers and an Efron bootstrap using centered multinomial resampling weights. Both procedures keep the original Cox Lasso fit and debiasing matrix fixed and apply bootstrap weights to the score contributions that determine the first-order distribution of the debiased estimator. We establish asymptotic validity for both bootstrap schemes and study their finite-sample behavior in extensive simulations. The bootstrap intervals improve coverage accuracy over first-order debiased Wald intervals in many small- and moderate-sample settings, with the size of the improvement depending on the simulation setting and tuning rule. A SUPPORT2 application illustrates the procedures in practice.