Large-scale parametric survival analysis.
Large-scale parametric survival analysis.
复制标题
DOI：
10.1002/sim.5817
复制
发表时间：
2013-10-15
影响因子：
2
通讯作者：
Burd, Randall S.
中科院分区：
文献类型：
--
作者：
Mittal, Sushil;Madigan, David;Cheng, Jerry Q.;Burd, Randall S.
在过去的几十年中，生存分析一直是活跃的统计研究的主题，其应用遍及多个领域。传统的应用程序通常考虑只有少量预测变量的数据，以及数百或数千个观测值。数据采集技术和计算能力的最新进展导致了人们对分析预测变量数量和观测数量范围在104 - 106之间的非常高维数据的极大兴趣。在本文中，我们提出了一个工具，用于执行大规模的正则化参数生存分析，使用循环坐标下降方法的变体。通过我们在两个真实的数据集上的实验，我们证明了正则化模型对高维数据的应用避免了过拟合，并且可以提供比相应的低维模型更好的预测性能和校准。
Survival analysis has been a topic of active statistical research in the past few decades with applications spread across several areas. Traditional applications usually consider data with only small numbers of predictors with a few hundreds or thousands of observations. Recent advances in data acquisition techniques and computation power has led to considerable interest in analyzing very high-dimensional data where the number of predictor variables and the number of observations range between 104 – 106. In this paper, we present a tool for performing large-scale regularized parametric survival analysis using a variant of cyclic coordinate descent method. Through our experiments on two real data sets, we show that application of regularized models to high-dimensional data avoids overfitting and can provide improved predictive performance and calibration over corresponding low-dimensional models.
登录
查看更多内容
影响因子：
2.5
作者：
HOERL, AE;KENNARD, RW
通讯作者：
KENNARD, RW
影响因子：
1.3
作者：
Gronnesby, J K;Borgan, O
通讯作者：
Borgan, O
影响因子：
2
作者：
Chambless, Lloyd E.;Cummiskey, Christopher P.;Cui, Gang
通讯作者：
Cui, Gang
影响因子：
5.8
作者：
Evers, Ludger;Messow, Claudia-Martina
通讯作者：
Messow, Claudia-Martina
影响因子：
5.8
作者：
Friedman, Jerome;Hastie, Trevor;Tibshirani, Rob
通讯作者：
Tibshirani, Rob