論文の概要: Statistical inference after variable selection in Cox models: A simulation study

• arxiv url: http://arxiv.org/abs/2602.07477v1
• Date: Sat, 07 Feb 2026 10:14:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-10 20:26:24.642935
• Title: Statistical inference after variable selection in Cox models: A simulation study
• Title（参考訳）: Coxモデルにおける変数選択後の統計的推測:シミュレーションによる検討
• Authors: Lena Schemet, Sarah Friedrich-Welz,
• Abstract要約: 本稿では、ラッソ係数とその拡張であるアダプティブ・ラッソに対する変数選択後に適用されるいくつかの推論手順について検討する。 検討された手法には、サンプル分割、正確な選択後の推測、偏りのあるラッソが含まれる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Choosing relevant predictors is central to the analysis of biomedical time-to-event data. Classical frequentist inference, however, presumes that the set of covariates is fixed in advance and does not account for data-driven variable selection. As a consequence, naive post-selection inference may be biased and misleading. In right-censored survival settings, these issues may be further exacerbated by the additional uncertainty induced by censoring. We investigate several inference procedures applied after variable selection for the coefficients of the Lasso and its extension, the adaptive Lasso, in the context of the Cox model. The methods considered include sample splitting, exact post-selection inference, and the debiased Lasso. Their performance is examined in a neutral simulation study reflecting realistic covariate structures and censoring rates commonly encountered in biomedical applications. To complement the simulation results, we illustrate the practical behavior of these procedures in an applied example using a publicly available survival dataset.
• Abstract（参考訳）: 関連する予測因子を選択することは、生物医学的時間-時間データの分析の中心である。 しかし古典的頻繁な推論は、共変量の集合が予め固定されており、データ駆動の変数選択を考慮していないと仮定する。 その結果、ナイーブな選択後の推測は偏見と誤解を招く可能性がある。 右検閲サバイバル設定では、検閲によって引き起こされるさらなる不確実性により、これらの問題がさらに悪化する可能性がある。 コックスモデルを用いて、ラッソの係数とその拡張であるアダプティブラッソに対する変数選択後に適用されるいくつかの推論手順について検討する。 検討された手法には、サンプル分割、正確な選択後の推測、偏りのあるラッソが含まれる。 バイオメディカル応用でよく見られる現実的な共変量構造と検閲率を反映した中性シミュレーション研究において,それらの性能について検討した。 シミュレーション結果を補完するために,公開サバイバルデータセットを用いて,これらの手順の実践的挙動を応用例で説明する。

関連論文リスト

• Regression-Based Estimation of Causal Effects in the Presence of Selection Bias and Confounding [52.1068936424622]
  治療が介入によって設定された場合、対象変数$Y$に対して、予測因果効果$E[Y|do(X)]$を推定する問題を考える。 選択バイアスや欠点のない設定では、$E[Y|do(X)] = E[Y|X]$ となる。 選択バイアスとコンバウンディングの両方を組み込んだフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-03-26T13:43:37Z)
• 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)
• Selective inference using randomized group lasso estimators for general models [3.4034453928075865]
  この手法は指数関数的な家族分布の使用、および過分散カウントデータに対する準様モデリングを含む。 ランダム化群正規化最適化問題について検討した。 選択されたモデルにおける回帰パラメータの信頼領域は、ウォルド型領域の形式をとり、境界体積を持つことを示す。
  論文  参考訳（メタデータ） (2023-06-24T01:14:26Z)
• Variable selection for nonlinear Cox regression model via deep learning [0.0]
  最近開発された深層学習に基づく変数選択モデルLassoNetを生存データに拡張する。 提案手法を適用し,びまん性大細胞型B細胞リンパ腫の実際のデータセットを解析した。
  論文  参考訳（メタデータ） (2022-11-17T01:17:54Z)
• Bounding Counterfactuals under Selection Bias [60.55840896782637]
  本稿では,識別不能なクエリと識別不能なクエリの両方に対処するアルゴリズムを提案する。 選択バイアスによって引き起こされる欠如にもかかわらず、利用可能なデータの可能性は無限であることを示す。
  論文  参考訳（メタデータ） (2022-07-26T10:33:10Z)
• Continuous-Time Modeling of Counterfactual Outcomes Using Neural Controlled Differential Equations [84.42837346400151]
  反現実的な結果を予測することは、パーソナライズされたヘルスケアをアンロックする可能性がある。 既存の因果推論アプローチでは、観察と治療決定の間の通常の離散時間間隔が考慮されている。 そこで本研究では,腫瘍増殖モデルに基づく制御可能なシミュレーション環境を提案する。
  論文  参考訳（メタデータ） (2022-06-16T17:15:15Z)
• Calibration of prediction rules for life-time outcomes using prognostic Cox regression survival models and multiple imputations to account for missing predictor data with cross-validatory assessment [0.0]
  検閲対象の生存モデルにおけるインプテーションと予測キャリブレーションを組み合わせた手法について述べる。 予測平均化は、ルービンの規則の直接適用とは対照的に、優れた統計的特性、特により小さい予測的変化を有するように見える。
  論文  参考訳（メタデータ） (2021-05-04T20:10:12Z)
• Tracking disease outbreaks from sparse data with Bayesian inference [55.82986443159948]
  新型コロナウイルス(COVID-19)のパンデミックは、感染発生時の感染率を推定する新たな動機を与える。 標準的な手法は、より細かいスケールで共通する部分的な観測可能性とスパースなデータに対応するのに苦労する。 原理的に部分観測可能なベイズ的枠組みを提案する。
  論文  参考訳（メタデータ） (2020-09-12T20:37:33Z)
• Stable Prediction via Leveraging Seed Variable [73.9770220107874]
  従来の機械学習手法は、非因果変数によって誘導されるトレーニングデータにおいて、微妙に刺激的な相関を利用して予測する。 本研究では, 条件付き独立性テストに基づくアルゴリズムを提案し, 種子変数を先行変数とする因果変数を分離し, 安定な予測に採用する。 我々のアルゴリズムは、安定した予測のための最先端の手法より優れている。
  論文  参考訳（メタデータ） (2020-06-09T06:56:31Z)

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。