Uyarlanabilir Cox Orantılı Tehlikeler — Otomatik Değişken Seçimli Cezalı Sağkalım Regresyonu
Adaptive Cox Proportional Hazards Model · Ayrıca şöyle bilinir: adaptive Cox model, adaptive LASSO Cox regression, penalized Cox proportional hazards, adaptive regularized survival regression
Uyarlanabilir Cox Orantılı Tehlikeler modeli, zaman-olay çıktıları için klasik Cox regresyonunu, uyarlanabilir LASSO (veya ilgili) cezalandırması ekleyerek genişletir. Eş zamanlı olarak tehlike oranlarını tahmin eder ve değişken seçimi yapar, ilgisiz kovaryet katsayılarını tam olarak sıfıra indirir. Bu, özellikle olay sayısına kıyasla aday öngörücü sayısının fazla olduğu yüksek boyutlu klinik veya genomik veri kümelerinde onu değerli kılar.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Araştırma amacı, seyrek bir sağkalım tahmin modeli oluşturmak veya büyük bir aday kümesinden bir öngörücü biyobelirteç alt kümesi belirlemek olduğunda, özellikle olay-değişken oranı düşük olduğunda (örneğin, değişkene düşen olay sayısı 10'dan az) Uyarlanabilir Cox Modelini kullanın. Yüzlerce veya binlerce özelliğin azaltılması gereken genomik, transkriptomik veya çok merkezli kayıt verileri için uygundur. Öngörücü kümesinin küçük ve teori odaklı olduğu düşük boyutlu onay çalışmalarında, önceden belirlenmiş kovaryetlerle standart Cox regresyonu tercih edilirken, klasik Cox regresyonunun yerine doğrudan kullanılmamalıdır. Ayrıca, orantılı tehlikeler varsayımının seçilen öngörücüler için ciddi şekilde ihlal edildiği durumlarda da bu yöntemden kaçının; bunun yerine zamanla değişen katsayılar veya hızlandırılmış başarısızlık zamanı modelleri düşünülebilir.
Güçlü yönler & sınırlılıklar
- Tek bir düzenlileştirilmiş model uyumunda eş zamanlı değişken seçimi ve etki tahmini gerçekleştirir.
- Oracle özelliği, düzenlilik koşulları altında değişken seçiminin asimptotik doğruluğunu garanti eder.
- Klasik Cox regresyonunun uygulanamadığı yüksek boyutlu öngörücüler (p >> n senaryoları) ile başa çıkar.
- Uyarlanabilir ağırlıklar, standart LASSO Cox'a kıyasla büyük katsayılar üzerindeki büzülme yanlılığını azaltır.
- Klinik raporlama gelenekleriyle tutarlı, tutulan öngörücüler için yorumlanabilir tehlike oranları üretir.
- Uyarlanabilir ağırlıklar için güvenilir bir ilk tahmin gerektirir; kötü ilk uyumlar (örneğin, çok yüksek boyutlu cezasız bir modelden) hataları ağırlık vektörüne yayabilir.
- Aynı veri üzerinde seçim ve çıkarım ayarlama yapılmadan gerçekleştirilemez — seçim sonrası çıkarım özel prosedürler gerektirir (örneğin, seçici çıkarım veya örnek bölme).
- Orantılı tehlikeler varsayımı, tutulan öngörücüler için hala geçerli olmalıdır; cezalandırma, bu temel model varsayımının ihlallerini çözmez.
- Çok yüksek sansür oranları veya kısa takip süreleri ile performans düşer, çünkü az sayıda gözlemlenen olay kısmi olabilirlik sinyalini sınırlar.
SSS
Uyarlanabilir Cox regresyonu, sıradan LASSO Cox regresyonundan nasıl farklıdır?
Standart LASSO Cox regresyonu, tüm öngörücülere aynı ceza ağırlığını uygular, bu da büyük gerçek katsayılar üzerinde büzülme yanlılığına neden olur ve oracle özelliğinden yoksundur — büyük örneklemlerde doğru modeli tutarlı bir şekilde seçmeyebilir. Uyarlanabilir Cox regresyonu, her bir öngörücüye ilk tahmin edilen etkisine ters orantılı bir ağırlık atar: büyük etkili öngörücüler hafifçe cezalandırılır (yanlılık azaltılır), sıfıra yakın öngörücüler ise ağır şekilde cezalandırılır (seçim iyileştirilir). Bu uyarlanabilir ağırlıklandırma, yönteme düzenlilik koşulları altında oracle özelliğini verir.
Uyarlanabilir ağırlıklar için hangi ilk tahminci kullanılmalıdır?
Yaygın seçenekler, ceza uygulanmamış Cox kısmi olabilirlik tahmincisidir (n > p ve ilk model kararlı olduğunda uygundur), ridge Cox regresyonudur (p, n'ye büyük veya yakın olduğunda önerilir çünkü ridge her zaman sonlu tahminler üretir) veya marjinal bir tarama tahmincisidir. Ridge ile başlatılan uyarlanabilir LASSO, yüksek boyutlu sağkalım ayarlarında en yaygın önerilen yaklaşımdır.
Seçilen değişkenler için tehlike oranlarını, standart bir Cox modelinden geliyormuş gibi rapor edebilir miyim?
Nokta tahminleri, standart Cox tehlike oranlarıyla anlam olarak karşılaştırılabilir, ancak hiçbir seçim yapılmamış gibi hesaplanan standart hatalar ve güven aralıkları geçersizdir — seçim adımını göz ardı ederler ve çok dardırlar. Seçim sonrası çıkarım için, bootstrap güven aralıklarını, örnek bölmeyi veya seçim sonrası sağkalım modelleri için özel olarak tasarlanmış seçici çıkarım yöntemlerini kullanın.
Ayar parametresi lambda'yı nasıl seçerim?
En yaygın yaklaşım, çapraz doğrulamayla elde edilen kısmi log-olabilirlik fonksiyonunu maksimize eden K-katlı çapraz doğrulamadır (K=5 veya 10). BIC veya genişletilmiş BIC (çok yüksek boyutlu veriler için) de kullanılabilir ve daha seyrek modelleri seçme eğilimindedir. Kriter seçimi model boyutunu etkiler: çapraz doğrulama daha iyi tahminli daha büyük modelleri, BIC ise daha iyi seçim tutarlılığına sahip daha küçük modelleri tercih eder.
Uyarlanabilir seçimden sonra orantılı tehlikeler varsayımının hala kontrol edilmesi gerekiyor mu?
Evet. Cezalandırma öngörücüleri seçer ancak orantılı tehlikeleri doğrulamaz veya zorlamaz. Modeli sonlandırdıktan sonra, her bir tutulan öngörücü için Schoenfeld kalıntı testleri ve grafikleri üretilmelidir. İhlaller, zaman-kovaryet etkileşim terimleri eklemeyi veya ilgisiz öngörücüler için alternatif bir sağkalım modeline geçmeyi gerektirebilir.
Kaynaklar
- Zhang, H. H., & Lu, W. (2007). Adaptive Lasso for Cox's proportional hazards model. Biometrika, 94(3), 691–703. DOI: 10.1093/biomet/asm037 ↗
- 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 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Adaptive Cox Proportional Hazards Model. ScholarGate. https://scholargate.app/tr/epidemiology/adaptive-cox-proportional-hazards
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Hızlandırılmış Arıza Süresi (AFT) ModeliSağkalım↔ karşılaştır
- Cox Orantılı TehlikelerEpidemiyoloji↔ karşılaştır
- Kaplan-Meier Sağkalım TahmincisiSağkalım↔ karşılaştır
- Lasso RegresyonuMakine öğrenmesi↔ karşılaştır
- Rastgele Hayatta Kalma Ormanı (Random Survival Forest - RSF)Sağkalım↔ karşılaştır