Variable selection for multivariate failure time data
多元失效时间数据的变量选择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：摘要研究生存数据中的高维变量选择，未提供与所列因果、面板、结构估计或宏观金融方向直接对应的充分依据。
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…
多元失效时间数据的变量选择
- 研究问题
- 当多元失效时间回归中的系数个数随样本增长时，如何选择变量，并兼顾估计一致性、渐近分布和正确识别真实模型的能力？
- 方法与思路
- 作者提出惩罚伪偏似然方法，通过近似惩罚函数使用 Newton–Raphson 算法计算，并以蒙特卡洛模拟和 Framingham 心脏研究数据评估。
- 材料陈述的贡献
- 摘要称，在一定正则条件下估计量一致且渐近正态；特定惩罚函数与适当正则化参数可使估计量识别真实模型，如同事先知道模型。
- 阅读关注点
- 应核对回归维数允许的增长速度、失效时间间依赖的处理方式、惩罚与调参条件，以及所谓预先知道模型对应的具体性质。
- 阅读边界
- 仅据稿件版本未注明的 OpenAlex 索引摘要；正则条件、删失要求与有限样本结果未说明，不能把模型选择性质推广到任意惩罚或调参。
原文摘要
In this paper, we proposed a penalised pseudo-partial likelihood method for variable selection with multivariate failure time data with a growing number of regression coefficients. Under certain regularity conditions, we show the consistency and asymptotic normality of the penalised likelihood estimators. We further demonstrate that, for certain penalty functions with proper choices of regularisation parameters, the resulting estimator can correctly identify the true model, as if it were known in advance. Based on a simple approximation of the penalty function, the proposed method can be easily carried out with the Newton-Raphson algorithm. We conduct extensive Monte Carlo simulation studies to assess the finite sample performance of the proposed procedures. We illustrate the proposed method by analysing a dataset from the Framingham Heart Study.