Μέθοδοι επιλογής μεταβλητών σε δεδομένα υψηλής διάστασης για το μοντέλο αναλογικού κινδύνου του Cox

Abstract

Η επιλογή μεταβλητών σε χώρο υψηλής διάστασης έχει αμφισβητήσει πολλά σύγχρονα στατιστικά προβλήματα, τα οποία προέρχονται από πολλούς επιστημονικούς κλάδους. Οι πρόσφατες τεχνολογικές εξελίξεις έχουν καταστήσει δυνατή τη συλλογή ενός τεράστιου ποσού από πληροφορίες συμμεταβλητών, όπως μικροσυστοιχιών, πρωτεομικής και SNP δεδομένων μέσω της τεχνολογίας της βιοαπεικόνισης, καθώς παρατηρούμε τις πληροφορίες επιβίωσης ασθενών σε κλινικές μελέτες. Επίσης, η ίδια πρόκληση εφαρμόζεται στην ανάλυση επιβίωσης προκειμένου να γίνει κατανοητή η σχέση μεταξύ γονιδιωματικών και κλινικών πληροφοριών σχετικά με τον χρόνο επιβίωσης. Στην εργασία αυτή επεκτείνουμε τη διαδικασία του σίγουρου κρησαρίσματος στο μοντέλο αναλογικού κινδύνου του Cox με μια διαθέσιμη επαναληπτική έκδοση. Μελέτες αριθμητικής προσομοίωσης έχουν δείξει ενθαρρυντικά αποτελέσματα για την προτεινόμενη μέθοδο σε σύγκριση με άλλες τεχνικές, όπως η LASSO. Αυτό αποδεικνύει την χρησιμότητα και την ευελιξία του σίγουρου κρησαρίσματος.

Variable selection in high dimensional space has challenged many contemporary statistical problems from many frontiers of scientific disciplines. Recent technological advances have made it possible to collect a huge amount of covariate information such as microarray, proteomic and SNP data via bioimagimg technology while observing survival information on patients in clinical studies. Thus, the same challenge applies in survival analysis in order to understand the association between genomics information and clinical information about the survival time. In this work, it is mentioned the sure screening procedure to Cox' s proportional hazards model with an iterative version avaiable. Numerical simulation studies have shown encouraging performance of the proposed method in comparison with other techniques such as LASSO. This demonstrates the utility and versatility of the iterative sure independence screening scheme.