梯度提升算法在纵向与事件时间数据联合建模中的扩展
统计方法学
2018-10-25 v1
摘要
在多种数据情形下，联合模型是分析时依协变量与事件时间之间关系、或修正回归分析中出现的事件依赖型脱落的有效工具。联合建模在单一联合似然中将纵向子模型与生存子模型相连，随后可通过标准优化方法最大化。这些传统方法的主要负担在于计算量随维度升高急剧增加，且未提供用于恰当变量选择的专门工具。梯度提升技术在统计学家中因恰好解决这些问题而广为人知，因此已有基于函数梯度下降方法拟合基本联合模型的初始提升算法被提出。本文旨在扩展该算法，以拟合一个包含仅影响模型生存部分的基线协变量的模型。该扩展算法基于低维与高维模拟运行以及一组艾滋病患者数据进行了评估，其中纵向子模型刻画 CD4 细胞计数的潜在轮廓，随后该轮廓与若干基线协变量一同纳入生存子模型。
引用
@article{arxiv.1810.10239,
title = {Extension of the Gradient Boosting Algorithm for Joint Modeling of Longitudinal and Time-to-Event data},
author = {Colin Griesbach and Andreas Mayr and Elisabeth Waldmann},
journal= {arXiv preprint arXiv:1810.10239},
year = {2018}
}