Statistical inference after variable selection in Cox models: A simulation study
Cox 模型变量选择后的统计推断：一项模拟研究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 Cox 生存模型的变量选择后推断方法比较，属于生存分析与高维统计推断，未涉及所提供领域细分中的因果推断、面板、离散选择、时间序列、资产定价等方向，故不选择任何细分。
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
Cox 模型变量选择后的统计推断：一项模拟研究
- 研究问题
- 摘要关注 Cox 比例风险模型中经数据驱动变量选择后，对 Lasso 与自适应 Lasso 系数做推断时，经典频率派推断因预设协变量集合固定而产生的偏误与误导问题，并考虑右删失带来的额外不确定性。
- 方法与思路
- 作者提出通过一项模拟研究比较若干选择后推断方法，包括样本分割、精确选择后推断与去偏 Lasso；模拟设定力求反映生物医学应用中常见的协变量结构与删失率，并用一个公开生存数据集的应用示例补充说明这些方法的实际表现。
- 材料陈述的贡献
- 摘要称其贡献在于在 Cox 模型框架下系统考察 Lasso 及自适应 Lasso 选择后多种推断程序的表现，模拟设定贴近生物医学实际，并辅以公开数据的应用示例，以展示这些程序在实践中的行为。
- 阅读关注点
- 阅读全文时应核对：模拟的具体数据生成机制、协变量相关结构与删失率设定、各推断方法的实现细节与调参方式、评价指标与比较基准，以及应用示例所用公开数据集与结论是否与模拟一致。
- 阅读边界
- 仅凭摘要无法判断各方法在有限样本下的实际表现、相对优劣与适用条件，也无法核实模拟规模、数值结果与理论保证；摘要未说明是否给出新的理论结果。该文为 arXiv 预印本，未经同行评审验证，不能据此声称已被期刊接收。
原文摘要
Choosing relevant predictors is central to the analysis of biomedical time-to-event data. Classical frequentist inference, however, presumes that the set of covariates is fixed in advance and does not account for data-driven variable selection. As a consequence, naive post-selection inference may be biased and misleading. In right-censored survival settings, these issues may be further exacerbated by the additional uncertainty induced by censoring. We investigate several inference procedures applied after variable selection for the coefficients of the Lasso and its extension, the adaptive Lasso, in the context of the Cox model. The methods considered include sample splitting, exact post-selection inference, and the debiased Lasso. Their performance is examined in a neutral simulation study reflecting realistic covariate structures and censoring rates commonly encountered in biomedical applications. To complement the simulation results, we illustrate the practical behavior of these procedures in an applied example using a publicly available survival dataset.