SurvBoost：基于梯度提升的分层比例风险模型高维变量选择 R 包
统计计算
2018-03-22 v1
摘要
比例风险（PH）模型中的高维变量选择在各个领域有许多成功的应用。在实践中，数据可能涉及不满足 PH 假设的混杂变量，在这种情况下，可以采用分层比例风险（SPH）模型，通过对混杂变量进行分层来控制混杂效应，而无需直接对混杂效应进行建模。然而，目前缺乏用于 SPH 模型中高维变量选择的计算高效的统计软件。在本研究中，我们开发了一个 R 包 SurvBoost，用于实现梯度提升算法，以拟合具有高维协变量和其他混杂因素的 SPH 模型。大量的模拟研究表明，在许多场景下，与现有的不带分层的提升算法 R 包相比，SurvBoost 能够实现更好的选择准确性并大幅减少计算时间。通过分析癌症基因组图谱（TCGA）研究中具有生存结局的基因表达数据，展示了所提出的 R 包的应用。此外，还提供了 SurvBoost 的详细实践教程。
引用
@article{arxiv.1803.07715,
title = {SurvBoost: An R Package for High-Dimensional Variable Selection in the Stratified Proportional Hazards Model via Gradient Boosting},
author = {Emily Morris and Kevin He and Yanming Li and Yi Li and Jian Kang},
journal= {arXiv preprint arXiv:1803.07715},
year = {2018}
}