Piecewise Constant Hazard Estimation with the Fused Lasso
融合套索下的分段常数风险率估计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：摘要讨论生存分析中的风险率估计与计数过程框架，未涉及所给领域细分中的因果推断、面板、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…
融合套索下的分段常数风险率估计
- 研究问题
- 如何在未知变点与取值的情况下，对作为时间函数的分段常数风险率进行完全数据驱动的估计，并覆盖Cox比例风险、竞争风险与多状态模型等一般计数过程框架。
- 方法与思路
- 作者提出先对Breslow估计量的增量建立回归模型，再用融合套索（fused lasso）技术在该回归模型中逼近分段常数信号，从而构造估计量。
- 材料陈述的贡献
- 摘要称推导了估计量的收敛速度，并给出方法对分段常数风险率变点逼近效果的相关结果；同时用模拟与一个真实数据例子说明结果适用于多状态模型等较一般的事件历史。
- 阅读关注点
- 应核对回归模型的具体设定、融合套索的调参方式、收敛速度所依赖的假设与正则条件，以及变点逼近结果的确切含义；并检查模拟设计与真实数据是否支持摘要所述的一般性。
- 阅读边界
- 仅凭摘要无法判断识别假设、定理细节、数值表现与实证结论是否成立；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
In applied time-to-event analysis, a flexible and useful approach is to model the hazard rate as a piecewise constant function of time. However, the change points and values of the piecewise constant hazard are usually unknown and need to be estimated. In this paper, we develop a fully data-driven procedure for piecewise constant hazard estimation. We work in a general counting process framework which nests a wide range of popular models in time-to-event analysis including Cox's proportional hazards model with potentially high-dimensional covariates, competing risks models as well as more general multi-state models. To construct our estimator, we set up a regression model for the increments of the Breslow estimator and then use fused lasso techniques to approximate the piecewise constant signal in this regression model. In the theoretical part of the paper, we derive the convergence rate of our estimator as well as some results on how well the change points of the piecewise constant hazard are approximated by our method. We complement the theory by both simulations and a real data example, illustrating that our results apply in rather general event histories such as multi-state models.