Cox 比例风险模型中用于变点检测的信息准则

临床实验中常用的 Cox 比例风险模型假设风险成比例。然而，当例如治疗效应延迟发生时，该假设不成立。在此情形下，预期风险比函数存在急剧变化。本文考虑带变点的 Cox 模型，并推导用于检测这些变点的 AIC 型信息准则。由于不规则性，变点模型不允许常规的统计渐近性，因此惩罚参数个数两倍的常规 AIC 无法解析推导，且使用它将明显给出过拟合的分析结果。因此，我们将利用带变点 Cox 模型中的偏似然估计方法构建特定的渐近性。基于 AIC 的原始推导方法，我们提出数学上有保证的信息准则。若在估计中使用偏似然，则可显式地获得惩罚远大于参数个数两倍的信息准则。数值实验证实，所提准则在 AIC 的原始目的（即提供接近真实结构的估计）方面明显更优。我们还将所提准则应用于实际临床试验数据，表明其易于得出与常规 AIC 不同的结果。