面向离散事件时间的基于模型递归分割
统计方法学
2022-09-15 v1 机器学习
摘要
基于模型递归分割（MOB）是一种半参数统计方法，可用于识别子组，并可与包括连续时间到事件结局在内的广泛结局度量相结合。当时间以离散尺度度量时，方法和模型需要考虑这种离散性，否则子组可能是虚假的且效应有偏。MOB分割准则所依赖的检验，即M-波动检验，假设观测独立。然而，为拟合离散时间到事件模型，必须对数据矩阵进行修改，从而产生违反独立性假设的增广数据矩阵。我们提出面向离散生存数据的MOB（MOB-dS），其控制用于数据分割的检验的I类错误率，从而控制在无子组存在时识别子组的比率。MOB-dS采用一种置换方法，考虑增广时间到事件数据中的依赖性，以在无子组存在的原假设下获得分布。通过模拟，我们研究了新MOB-dS与标准MOB在不同生存曲线模式和事件率下的I类错误率。我们发现MOB-dS的I类错误率得到良好控制，但观察到MOB的错误率有一定程度的显著膨胀。为说明所提方法，MOB-dS被应用于失业持续时间数据。
引用
@article{arxiv.2209.06592,
title = {Model-based recursive partitioning for discrete event times},
author = {Cynthia Huber and Matthias Schmid and Tim Friede},
journal= {arXiv preprint arXiv:2209.06592},
year = {2022}
}