面向连续与分类预测变量的序贯 knockoffs：应用于大型银屑病关节炎临床试验池

Knockoffs 提供了一种在执行变量选择时控制错误发现率的通用框架。Knockoffs 文献多聚焦于理论挑战，我们认识到有必要将当前一些思想付诸实践。在本文中，我们提出一种当底层数据由连续与分类(因子)变量共同构成时生成 knockoffs 的序贯算法。此外，我们提出一种启发式多 knockoffs 方法，可对给定数据集的 knockoff 选择过程的稳健性提供实际评估。我们进行大量模拟以验证所提方法的性能。最后，我们在一项包含 4 项临床试验中评估的超过 $2,000$ 名银屑病关节炎患者、使用 IL-17A 抑制剂 secukinumab (Cosentyx) 的大型临床数据池上展示了方法的效用，其中我们确定了某公认临床结局的预后因素。本文所呈现的分析可为医疗实践及其他变量选择尤为受关注的领域中常见数据集提供广泛应用。