带有治愈亚组的区间删失数据的变量选择方法研究

带有治愈亚组的区间删失数据常见于周期性随访或检查的医学研究中,此时研究总体中有一部分个体不会发生所感兴趣的事件,而对于每个发生所感兴趣事件的个体,其事件的发生时间落入某一时间区间内而非被精确地观测到。此外,在实际问题中,我们时常会遇到协变量维数较高的情形,而如何进行变量选择以识别出对疾病发生有重要影响的因素十分重要。本文研究带有治愈亚组的区间删失数据的变量选择问题,我们采用最小近似信息准则方法并提出一种惩罚期望极大化算法来同时实现变量选择和参数估计,所提出方法的一个重要优点是在变量选择过程中无须选择最优调节参数。通过数值模拟,我们比较所提出方法与一般的正则化方法如LASSO,ALASSO,以及SCAD在有限样本下的表现。结果表明,所提出方法有很高的变量选择准确率且在计算上比LASSO,ALASSO和SCAD更加快速、高效。最后,我们将所提出方法应用到一组有关于尼日利亚新生儿童死亡率的区间删失数据中。     

带有治愈亚组和错误分类的当前状态数据的回归分析

带有治愈亚组和错误分类的当前状态数据常出现在流行病学调查和医学临床试验等科学领域中。这类数据通常具有三个复杂特点,首先,我们对每个研究个体只检测一次以确定感兴趣事件的发生状态,对于感兴趣事件的发生时间,只知道其大于或小于检测时间,而非被精确观测到;其次,用于确定感兴趣事件发生状态的检测仪器通常具有一定的检测错误,由此产生带有错误分类的数据;此外,研究中有一部分个体可能永远不会发生感兴趣的事件,因此研究总体中可能存在治愈亚组。本文主要讨论带有治愈亚组和错误分类的当前状态数据的回归分析问题。特别地,我们假定感兴趣事件的发生时间服从一类半参数转移非混合治愈模型,提出一种期望极大化(EM)算法来极大化具有复杂形式的观测数据似然函数以得到参数估计。数值模拟结果表明所提出的估计方法在有限样本下具有良好的表现,并且优于忽略错误分类的naive方法。我们还将所提出的方法应用到一组有关于衣原体感染的实际数据中。