用于Cox回归的实质模型兼容多重插补：协变变量数目呈发散形式

现代医学生存研究中，高维基因组和临床预测因子常伴随缺失的协变变量。现有方法通过阈值化和去偏估计推断，但这些方法通常是在完全观测协变变量下开发的。相反，实质模型兼容的多重插补方法，特别是实质模型兼容的全条件指定（SMC-FCS），能够在保持与Cox模型兼容性的同时，对缺失协变变量提供原则性处理，但当前方法论和理论主要局限于固定维度情形。为克服这些限制，本文提出了一种用于缺失协变变量呈发散维度的Cox回归推断的半参数多重插补框架。通过以Cox模型似然贡献为驱动的高维SMC-FCS程序进行缺失协变变量插补，并利用抽样拒绝法确保实质模型兼容性，采用岭正则化后验抽样以稳定插补模型。该算法通过插补正则化优化迭代来稳定Cox估计器，然后从稳定链生成多个插补数据集。通过Rubin规则组合去偏估计器和插补内部分散估计，获得低维线性函数或对比$c^\top \beta$的推断。我们在协变变量数目呈发散情形下，证明了所得合并估计的一致性和渐近正态性。模拟研究表明该方法在有限样本性能方面表现良好，波士顿肺癌生存队列的实际应用也显示出该方法在带有不完整协变变量的高维生存研究中具有实际效用。