.png){kind=icon}
返回
Variable Significance Testing for the Deep Cox Model
.png){kind=icon}
PRE
AI
DOI：10.1080/01621459.2026.2615850.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
深度学习在复杂数据分析中已获得极大关注，包括带删失的事件时间测量。目前，深度生存分析方法主要集中于预测。此类方法在假设检验等统计推断问题上应用较少。由于其黑箱特性，深度学习结果缺乏可解释性，限制了其在生物医学决策中的应用。本文提供了非参数Cox模型的估计和推断方法——该模型是具有非参数链接函数的灵活模型族，旨在避免模型误设。此处假设非参数链接函数通过深度神经网络建模。为进行统计推断，我们使用样本分割和交叉拟合程序获取神经网络估计量并构建检验统计量。这些程序使我们能提出新的显著性检验，以检验特定协变量与事件时间之间的关联。我们确定了神经网络估计量的收敛速率，并表明深度学习可通过学习利用数据中的低维结构来克服非参数回归中的维度灾难。此外，我们证明在零假设下检验统计量收敛于正态分布，并在备择假设下从第二类错误的角度建立了其一致性。数值模拟和真实数据应用展示了所提出检验的有效性。本文的补充材料可在网上获取。
Keyword:
Censored survival data
Curse of dimensionality
Interpretability
Neural networks
Survival analysis
期刊
J
IF:
3
论文数:
5.2K
被引数:
4.8W
机构
引用论文
分享收藏Penalized deep partially linear cox models with application to CT scans of lung cancer patients.png)
Biometrics
BiometricsIF0
PREAI
分享收藏分享收藏THE PROJECTED COVARIANCE MEASURE FOR ASSUMPTION-LEAN VARIABLE SIGNIFICANCE TESTINGANNALS OF STATISTICS
ANNALS OF STATISTICSIF3.7
PREAI
分享收藏
查看更多内容