基于 copula 的 boosting 模型用于依赖删失下的事件时间预测
统计方法学
2022-10-27 v2 机器学习
摘要
事件时间数据分析的一个特征性特点是事件时间可能被删失。大多数处理删失数据的统计学习方法受独立删失假设的限制，即使在该假设不成立时这会导致有偏预测。本文提出 Clayton-boost，一种构建于加速失效时间模型之上的 boosting 方法，其利用 Clayton copula 来处理事件与删失分布之间的依赖关系。通过借助 copula，不再需要独立删失假设。在与常用方法的比较中，Clayton-boost 在存在依赖删失时表现出很强的消除预测偏差的能力，并且在依赖强度或删失比例较大时优于对比方法。Clayton-boost 令人鼓舞的性能表明，对独立删失假设持批判态度确有理由，且真实世界数据可高度受益于对潜在依赖关系的建模。
引用
@article{arxiv.2210.04869,
title = {A copula-based boosting model for time-to-event prediction with dependent censoring},
author = {Alise Danielle Midtfjord and Riccardo De Bin and Arne Bang Huseby},
journal= {arXiv preprint arXiv:2210.04869},
year = {2022}
}