Key points are not available for this paper at this time.
Wir betrachten zwei Regularisierungsansätze, das LASSO und die schwellengradgerichtete Regularisierung, zur Schätzung und Variablenauswahl im beschleunigten Ausfallzeitmodell mit mehreren Kovariaten basierend auf Stutes gewichteter Kleinste-Quadrate-Methode. Der Stute-Schätzer verwendet Kaplan-Meier-Gewichte, um die Zensierung im Kriterium der Kleinsten Quadrate zu berücksichtigen. Die gewichtete Kleinste-Quadrate-Zielsetzung ermöglicht die Anpassung dieses Ansatzes an multiple Kovariaten-Einstellungen rechnerisch machbar. Wir verwenden V-fache Kreuzvalidierung und ein modifiziertes Akaikes Informationskriterium zur Auswahl der Tuning-Parameter und einen Bootstrap-Ansatz zur Schätzung der Varianz. Die vorgeschlagene Methode wird mit Simulationen evaluiert und an einem praktischen Datenbeispiel demonstriert.
Huang et al. (Wed,) untersuchten diese Frage.
Synapse has enriched 5 closely related papers on similar clinical questions. Consider them for comparative context: