基于断适应岭回归的大规模生存数据可扩展稀疏 Cox 回归
统计方法学
2020-06-30 v2
摘要
本文开发了一种针对稀疏高维海量样本量（sHDMSS）生存数据的新的可扩展稀疏 Cox 回归工具。该方法通过重复执行重新加权的 惩罚 Cox 回归来实现局部 惩罚 Cox 回归。我们证明所得估计量兼具 与 惩罚 Cox 回归的优点，同时克服其局限。具体而言，该估计量具有选择一致性、参数估计的 oracle 性质，并对高度相关协变量具有分组性质。模拟结果表明，当样本量较大时，所提具有预指定调参的方法比一些流行的惩罚回归方法表现相当或更优。更重要的是，由于该方法自然支持高效海量 惩罚优化算法的适配且不需要昂贵的数据驱动调参选择，它对 sHDMSS 数据具有显著计算优势，在实证研究中较最接近的竞争者平均提速 5 倍。
引用
@article{arxiv.1712.00561,
title = {Scalable Sparse Cox's Regression for Large-Scale Survival Data via Broken Adaptive Ridge},
author = {Eric S. Kawaguchi and Marc A. Suchard and Zhenqiu Liu and Gang Li},
journal= {arXiv preprint arXiv:1712.00561},
year = {2020}
}