高维情境下现代竞争风险方法的比较综述
统计方法学
2025-04-04 v2
摘要
竞争风险分析考虑多个相互排斥的事件，相较于传统生存分析在风险估计方面具有更好的效果。尽管方法学已取得进展，但在高维情境下，对竞争风险方法的全面比较仍有限。本研究通过大量仿真实验，评估了在多样数据条件下，用于竞争风险分析的惩罚回归方法（LASSO、SCAD、MCP）、提升方法（CoxBoost、CB）、随机森林（RF）和深度学习方法（DeepHit、DH），包括变量选择、估计精度、判别能力和校准性。我们的结果表明，CB 在变量选择、估计稳定性和判别能力方面表现最佳，尤其在高维情境下；而 MCP 和 SCAD 在 n>p 情况下提供更好的校准。RF 和 DH 能够捕捉非线性效应，但存在不稳定性，其中 RF 的假发现率较高，DH 的校准性较差。此外，我们通过对黑色素瘤基因表达数据（包含生存信息）的分析，比较了这些方法的灵活性。该研究为确保在高维情境下进行稳健且可解释的竞争风险模型选择提供了实用指导，并为未来研究的重要方向提出了建议。
引用
@article{arxiv.2503.12824,
title = {Comparative Review of Modern Competing Risk Methods in High-dimensional Settings},
author = {Paul M. Djangang and Summer S. Han and Nilotpal Sanyal},
journal= {arXiv preprint arXiv:2503.12824},
year = {2025}
}