論文の概要: A Multiple kernel testing procedure for non-proportional hazards in factorial designs

• arxiv url: http://arxiv.org/abs/2206.07239v1
• Date: Wed, 15 Jun 2022 01:53:49 GMT
• ステータス: 処理完了
• システム内更新日: 2022-06-16 15:16:13.746389
• Title: A Multiple kernel testing procedure for non-proportional hazards in factorial designs
• Title（参考訳）: 因子設計における非比例的ハザードに対する多重カーネルテスト手順
• Authors: Marc Ditzhaus and Tamara Fern\'andez and Nicol\'as Rivera
• Abstract要約: 本稿では,複数の因子が同時に興味を持つ場合の生存率を推定するマルチカーネルテスト手法を提案する。 我々の手法は複雑なデータを扱うことができ、比例性のような仮定を正当化できない場合、全正規の Cox モデルに代わるものとして見ることができる。
• 参考スコア（独自算出の注目度）: 4.358626952482687
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this paper we propose a Multiple kernel testing procedure to infer survival data when several factors (e.g. different treatment groups, gender, medical history) and their interaction are of interest simultaneously. Our method is able to deal with complex data and can be seen as an alternative to the omnipresent Cox model when assumptions such as proportionality cannot be justified. Our methodology combines well-known concepts from Survival Analysis, Machine Learning and Multiple Testing: differently weighted log-rank tests, kernel methods and multiple contrast tests. By that, complex hazard alternatives beyond the classical proportional hazard set-up can be detected. Moreover, multiple comparisons are performed by fully exploiting the dependence structure of the single testing procedures to avoid a loss of power. In all, this leads to a flexible and powerful procedure for factorial survival designs whose theoretical validity is proven by martingale arguments and the theory for $V$-statistics. We evaluate the performance of our method in an extensive simulation study and illustrate it by a real data analysis.
• Abstract（参考訳）: 本稿では,いくつかの要因(治療群,性別,医療歴など)とそれらの相互作用が同時に興味を持つ場合,生存率を推定するマルチカーネルテスト手法を提案する。 我々の手法は複雑なデータを扱うことができ、比例性のような仮定を正当化できない場合、全正規の Cox モデルに代わるものとして見ることができる。 重み付けされたログランクテスト,カーネルメソッド,コントラストテストなど,サバイバル分析やマシンラーニング,複数テストといった,よく知られた概念を組み合わせています。 これにより、古典的な比例ハザード設定を超えた複雑なハザード代替を検出できる。 さらに、単一の試験手順の依存構造を十分に活用して電力損失を回避することにより、複数の比較を行う。 全体として、これは有理数論と$V$統計学の理論によって理論上の妥当性が証明される因子的生存設計のための柔軟で強力な手続きにつながる。 本研究では,本手法の性能を大規模シミュレーション実験で評価し,実データ解析により示す。

関連論文リスト

• Selective Nonparametric Regression via Testing [54.20569354303575]
  本研究では,所定の点における条件分散の値に関する仮説を検証し,留置手順を開発する。 既存の手法とは異なり、提案手法は分散自体の値だけでなく、対応する分散予測器の不確実性についても考慮することができる。
  論文  参考訳（メタデータ） (2023-09-28T13:04:11Z)
• Scalable Randomized Kernel Methods for Multiview Data Integration and Prediction [4.801208484529834]
  複数のソースからのデータを協調的に関連づけるスケーラブルなランダム化カーネル手法を開発し、同時に結果を予測するか、ユニットを2つ以上のクラスに分類する。 提案手法は,多視点データにおける非線形関係を,臨床結果の予測とともにモデル化し,ビュー間の関係に最も寄与する変数や変数群を同定する。
  論文  参考訳（メタデータ） (2023-04-10T16:14:42Z)
• Equivariance Allows Handling Multiple Nuisance Variables When Analyzing Pooled Neuroimaging Datasets [53.34152466646884]
  本稿では,構造空間上でインスタンス化された同変表現学習における最近の結果と,因果推論における古典的結果の簡易な利用が,いかに効果的に実現されたかを示す。 いくつかの仮定の下で、我々のモデルが複数のニュアンス変数を扱えることを実証し、そうでなければサンプルの大部分を取り除く必要のあるシナリオにおいて、プールされた科学データセットの分析を可能にする。
  論文  参考訳（メタデータ） (2022-03-29T04:54:06Z)
• Nonparametric Conditional Local Independence Testing [69.31200003384122]
  条件付き局所独立は、連続的な時間プロセス間の独立関係である。 条件付き地域独立の非パラメトリックテストは行われていない。 二重機械学習に基づく非パラメトリックテストを提案する。
  論文  参考訳（メタデータ） (2022-03-25T10:31:02Z)
• Evaluating Causal Inference Methods [0.4588028371034407]
  我々は、因果推論手法を検証するために、深層生成モデルに基づくフレームワーク、クレデンスを導入する。 我々の研究は、因果推論手法を検証するために、深層生成モデルに基づくフレームワーク、クレデンスを導入している。
  論文  参考訳（メタデータ） (2022-02-09T00:21:22Z)
• Using Machine Learning to Test Causal Hypotheses in Conjoint Analysis [5.064097093575691]
  本研究では,条件付きランダム化テストに基づく新しい仮説テスト手法を提案する。 我々の手法は単に因子のランダム化にのみ基づき、従って仮定は不要である。
  論文  参考訳（メタデータ） (2022-01-20T18:23:12Z)
• A Quantitative Comparison of Epistemic Uncertainty Maps Applied to Multi-Class Segmentation [0.0]
  本稿では,これらの手法を2つの異なる文脈で定義し,定量的に比較するための体系的アプローチを強調した。 マルチセンター,マルチスキャナ,マルチシーケンスデータセットを用いて,頸動脈ルーメンと血管壁のマルチクラスセグメンテーションに本解析を適用した。 異なるデータやタスクの分析を再現するためのpythonパッケージを作成しました。
  論文  参考訳（メタデータ） (2021-09-22T12:48:19Z)
• Testing Directed Acyclic Graph via Structural, Supervised and Generative Adversarial Learning [7.623002328386318]
  有向非巡回グラフ(DAG)の新しい仮説テスト法を提案する。 非常に柔軟なニューラルネットワーク学習者に基づいてテストを構築します。 シミュレーションと脳接続ネットワーク解析による実験の有効性を実証する。
  論文  参考訳（メタデータ） (2021-06-02T21:18:59Z)
• Good Classifiers are Abundant in the Interpolating Regime [64.72044662855612]
  補間分類器間のテストエラーの完全な分布を正確に計算する手法を開発した。 テストエラーは、最悪の補間モデルのテストエラーから大きく逸脱する、小さな典型的な$varepsilon*$に集中する傾向にある。 以上の結果から,統計的学習理論における通常の解析手法は,実際に観測された優れた一般化性能を捉えるのに十分な粒度にはならない可能性が示唆された。
  論文  参考訳（メタデータ） (2020-06-22T21:12:31Z)
• Marginal likelihood computation for model selection and hypothesis testing: an extensive review [66.37504201165159]
  この記事では、このトピックの最先端に関する総合的な研究について紹介する。 さまざまなテクニックの制限、メリット、コネクション、差異を強調します。 また、不適切な事前利用の問題や解決法についても述べる。
  論文  参考訳（メタデータ） (2020-05-17T18:31:58Z)
• Machine learning for causal inference: on the use of cross-fit estimators [77.34726150561087]
  より優れた統計特性を得るために、二重ローバストなクロスフィット推定器が提案されている。 平均因果効果(ACE)に対する複数の推定器の性能評価のためのシミュレーション研究を行った。 機械学習で使用する場合、二重確率のクロスフィット推定器は、バイアス、分散、信頼区間のカバレッジで他のすべての推定器よりも大幅に優れていた。
  論文  参考訳（メタデータ） (2020-04-21T23:09:55Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。