A Simple Method for Deriving the Confidence Regions for the Penalized Cox's Model via the Minimand Perturbation.
A Simple Method for Deriving the Confidence Regions for the Penalized Cox's Model via the Minimand Perturbation.
复制标题
DOI：
10.1080/03610926.2015.1085568
复制
发表时间：
2017
期刊：
影响因子：
--
通讯作者：
Halabi S
中科院分区：
文献类型：
--
作者：
Lin CY;Halabi S
我们提出了一种极小扰动方法来获得考克斯比例风险模型正则化估计的置信域。虽然正则化估计过程产生更稳定的点估计，但为相关点估计提供区间估计量或解析方差估计量仍然具有挑战性。基于三明治公式，目前的方差估计提供了一个简单的近似，但其有限样本性能并不完全令人满意。此外，三明治公式只能提供非零系数的方差估计。在这篇文章中，我们提出了一个通用的描述扰动方法，然后介绍了一个计算算法，使用自适应最小绝对收缩和选择算子（LASSO）的惩罚。通过仿真研究，我们表明，我们的方法可以更好地逼近自适应LASSO估计的极限分布，并产生更准确的推断相比，三明治公式。仿真结果还表明了将其应用扩展到自适应弹性网惩罚的可能性。我们使用前列腺癌III期临床试验的数据进一步证明了我们的方法。
We propose a minimand perturbation method to derive the confidence regions for the regularized estimators for the Cox’s proportional hazards model. Although the regularized estimation procedure produces a more stable point estimate, it remains challenging to provide an interval estimator or an analytic variance estimator for the associated point estimate. Based on the sandwich formula, the current variance estimator provides a simple approximation, but its finite sample performance is not entirely satisfactory. Besides, the sandwich formula can only provide variance estimates for the non-zero coefficients. In this article, we present a generic description for the perturbation method and then introduce a computation algorithm using the adaptive least absolute shrinkage and selection operator (LASSO) penalty. Through simulation studies, we demonstrate that our method can better approximate the limiting distribution of the adaptive LASSO estimator and produces more accurate inference compared with the sandwich formula. The simulation results also indicate the possibility of extending the applications to the adaptive elastic-net penalty. We further demonstrate our method using data from a phase III clinical trial in prostate cancer.
登录
查看更多内容
影响因子：
1.4
作者：
Wu Y
通讯作者：
Wu Y
影响因子：
2.7
作者：
Jin, ZZ;Ying, ZL;Wei, LJ
通讯作者：
Wei, LJ
影响因子：
158.5
作者：
Scher, Howard I.;Fizazi, Karim;de Bono, Johann S.
通讯作者：
de Bono, Johann S.
影响因子：
10.3
作者：
Halabi, Susan;Lin, Chen-Yen;Sartor, Oliver
通讯作者：
Sartor, Oliver
影响因子：
4.5
作者：
Zou H;Zhang HH
通讯作者：
Zhang HH