右删失数据的稳定变量选择：方法比较

数据集中协变量数量大时，模型选择的不稳定性是一个主要问题。本文处理高维问题中响应变量可能右删失时的变量选择方法。我们关注基于bootstrap的新的稳定变量选择方法，用于两种方法：Cox比例风险模型和生存树。对于Cox模型，我们研究将bootstrap应用于两种变量选择技术：基于AIC准则的逐步算法和Lasso的L1惩罚。对于生存树，我们回顾两种方法：bootstrap节点级稳定化和随机生存森林。我们将这些不同方法应用于两个真实数据集。我们基于Harrell一致性指数和相应选择模型的解释相关性比较预测错误率。目标是在良好预测性能和易于临床医生解释之间找到折中。结果表明，在个体数较少的情况下，Cox模型中适应L1惩罚的bootstrap或生存树中的bootstrap节点级稳定化可成为随机生存森林方法的良好替代，后者已知预测错误率最小但非统计学家难以解释。从临床角度看，基于Cox模型和基于生存树的方法的互补性将允许构建可靠且易于临床医生解释的模型。