ScholarGate
Assistant
Process / pipelineClinical / epidemiology

Modèle Cox à risques proportionnels adaptatif — Régression de survie pénalisée avec sélection automatique de variables

Le modèle Cox à risques proportionnels adaptatif étend la régression Cox classique pour les issues temps-à-l'événement en ajoutant une pénalisation LASSO adaptative (ou apparentée). Il estime simultanément les rapports de risques et effectue une sélection de variables, réduisant exactement à zéro les coefficients des covariables non pertinentes. Cela le rend particulièrement précieux dans les jeux de données cliniques ou génomiques de haute dimension où le nombre de prédicteurs candidats est grand par rapport au nombre d'événements.

Ouvrir dans MethodMindBientôtApply, compare, get guidance
Tools & resources
Télécharger les diapositives
Learn & explore
VidéoBientôt

Lire la méthode complète

Réservé aux membres

Connectez-vous avec un compte gratuit pour lire cette section.

Se connecter

Carte des méthodes

Le voisinage des méthodes apparentées — sélectionnez un nœud pour explorer.

Sources

  1. Zhang, H. H., & Lu, W. (2007). Adaptive Lasso for Cox's proportional hazards model. Biometrika, 94(3), 691–703. DOI: 10.1093/biomet/asm037
  2. Cox, D. R. (1972). Regression models and life-tables. Journal of the Royal Statistical Society: Series B (Methodological), 34(2), 187–202. DOI: 10.1111/j.2517-6161.1972.tb00899.x

Comment citer cette page

ScholarGate. (2026, June 3). Adaptive Cox Proportional Hazards Model. ScholarGate. https://scholargate.app/fr/epidemiology/adaptive-cox-proportional-hazards

Quelle méthode ?

Placez cette méthode aux côtés de ses plus proches parentes et lisez-les côte à côte — la bibliothèque pose les ouvrages sur la table ; le choix vous revient.

Comparer côte à côte
ScholarGateAdaptive Cox Proportional Hazards (Adaptive Cox Proportional Hazards Model). Consulté le 2026-06-19 sur https://scholargate.app/fr/epidemiology/adaptive-cox-proportional-hazards · Jeu de données : https://doi.org/10.5281/zenodo.20539026