High-Dimensional Variable Selection for Survival Data
生存数据的高维变量选择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：摘要研究生存森林的高维变量筛选，未明确对应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…
生存数据的高维变量选择
- 研究问题
- 当变量维度很高而样本量很小时，随机生存森林为何可能无法有效识别预测变量，又如何改进其变量选择过程？
- 方法与思路
- 作者推导最大子树最小深度统计量的分布，用于衡量变量预测性，并针对树深度的限制提出正则化 RSF-Variable Hunting 算法。
- 材料陈述的贡献
- 摘要指出高维小样本下存在树深度的“天花板效应”，并以微阵列基因选择等应用展示所提变量筛选方法。
- 阅读关注点
- 应核对最小深度分布的推导条件、正则化与搜索规则、删失数据的处理方式，以及变量选择表现所用的评价标准。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；摘要未给出选择一致性或误选控制保证，向一般回归和分类的扩展也未提供具体结果。
原文摘要
The minimal depth of a maximal subtree is a dimensionless order statistic measuring the predictiveness of a variable in a survival tree. We derive the distribution of the minimal depth and use it for high-dimensional variable selection using random survival forests. In big p and small n problems (where p is the dimension and n is the sample size), the distribution of the minimal depth reveals a “ceiling effect” in which a tree simply cannot be grown deep enough to properly identify predictive variables. Motivated by this limitation, we develop a new regularized algorithm, termed RSF-Variable Hunting. This algorithm exploits maximal subtrees for effective variable selection under such scenarios. Several applications are presented demonstrating the methodology, including the problem of gene selection using microarray data. In this work we focus only on survival settings, although our methodology also applies to other random forests applications, including regression and classification settings. All examples presented here use the R-software package randomSurvivalForest.