新方法让生存分析变量选择更准，自动避开未知干扰。
Survival of the fittest Cox model: Pivotal variable selection for time-to-event data
- 用平方根变换部分似然，使正则化参数选择不依赖基线风险和删失机制。
- 在模拟与真实数据上，支持集恢复效果显著优于现有主流方法。
- 适合做生存分析中变量筛选的研究者或医疗数据从业者。
我们重新审视Cox比例风险模型，以改进生存分析中的变量选择。通过对部分似然进行平方根变换，使正则化参数的选择具有关键性，不再依赖未知的基线风险和删失机制。该准则结合了BIC等信息准则与Lasso等惩罚回归方法的优点。在模拟数据和真实数据上，该方法在支持集恢复方面显著优于当前主流方法。
原文摘要 · Abstract (English)
We revisit Cox's proportional hazards model to improve variable selection in survival analysis. A square-root transformation of the partial likelihood renders the selection of the regularization parameter pivotal, free of the unknown baseline hazard and censoring mechanism. The resulting criterion borrows from information criteria such as BIC and from penalized regression methods such as the lasso, taking the best of both. On simulated and real data, our method substantially improves upon state-of-the-art approaches used daily in support recovery.
Thank you to arXiv for use of its open access interoperability. PaperDance 不是 arXiv 官方产品；中文卡片由大模型生成，请以原文为准。