Skip to main content
CenXiv.org
此网站处于试运行阶段,支持我们!
我们衷心感谢所有贡献者的支持。
贡献
赞助
cenxiv logo > stat > arXiv:1808.00647v1

帮助 | 高级搜索

统计学 > 方法论

arXiv:1808.00647v1 (stat)
[提交于 2018年8月2日 ]

标题: 多阈值变化平面模型:估计理论与亚组识别中的应用

标题: Multi-threshold Change Plane Model: Estimation Theory and Applications in Subgroup Identification

Authors:Jialiang Li, Yaguang Li, Baisuo Jin
摘要: 我们提出了一种多阈值变化平面回归模型,该模型自然地将观察到的受试者划分为具有不同协变量效应的子组。潜在的分组变量是协变量的线性函数,因此多个阈值在协变量空间中形成平行的变化平面。我们贡献了一种新颖的两阶段方法来估计子组的数量、阈值的位置以及所有其他回归参数。在第一阶段,我们采用分组选择原则以一致地识别子组的数量;而在第二阶段,通过惩罚诱导平滑技术细化变化点位置和模型参数估计。我们的方法允许相对中高维协变量的稀疏解。我们在适当的假设条件下建立了所提出的估计量的渐近性质。我们通过模拟研究评估了所提出方法的性能,并使用两个医学数据集进行了说明。我们提出的子组识别方法可能立即应用于个性化医疗。
摘要: We propose a multi-threshold change plane regression model which naturally partitions the observed subjects into subgroups with different covariate effects. The underlying grouping variable is a linear function of covariates and thus multiple thresholds form parallel change planes in the covariate space. We contribute a novel 2-stage approach to estimate the number of subgroups, the location of thresholds and all other regression parameters. In the first stage we adopt a group selection principle to consistently identify the number of subgroups, while in the second stage change point locations and model parameter estimates are refined by a penalized induced smoothing technique. Our procedure allows sparse solutions for relatively moderate- or high-dimensional covariates. We further establish the asymptotic properties of our proposed estimators under appropriate technical conditions. We evaluate the performance of the proposed methods by simulation studies and provide illustration using two medical data. Our proposal for subgroup identification may lead to an immediate application in personalized medicine.
主题: 方法论 (stat.ME)
引用方式: arXiv:1808.00647 [stat.ME]
  (或者 arXiv:1808.00647v1 [stat.ME] 对于此版本)
  https://doi.org/10.48550/arXiv.1808.00647
通过 DataCite 发表的 arXiv DOI

提交历史

来自: Baisuo Jin [查看电子邮件]
[v1] 星期四, 2018 年 8 月 2 日 03:03:36 UTC (965 KB)
全文链接:

获取论文:

    查看标题为《》的 PDF
  • 查看中文 PDF
  • 查看 PDF
  • TeX 源代码
  • 其他格式
查看许可
当前浏览上下文:
stat.ME
< 上一篇   |   下一篇 >
新的 | 最近的 | 2018-08
切换浏览方式为:
stat

参考文献与引用

  • NASA ADS
  • 谷歌学术搜索
  • 语义学者
a 导出 BibTeX 引用 加载中...

BibTeX 格式的引用

×
数据由提供:

收藏

BibSonomy logo Reddit logo

文献和引用工具

文献资源探索 (什么是资源探索?)
连接的论文 (什么是连接的论文?)
Litmaps (什么是 Litmaps?)
scite 智能引用 (什么是智能引用?)

与本文相关的代码,数据和媒体

alphaXiv (什么是 alphaXiv?)
CatalyzeX 代码查找器 (什么是 CatalyzeX?)
DagsHub (什么是 DagsHub?)
Gotit.pub (什么是 GotitPub?)
Hugging Face (什么是 Huggingface?)
带有代码的论文 (什么是带有代码的论文?)
ScienceCast (什么是 ScienceCast?)

演示

复制 (什么是复制?)
Hugging Face Spaces (什么是 Spaces?)
TXYZ.AI (什么是 TXYZ.AI?)

推荐器和搜索工具

影响之花 (什么是影响之花?)
核心推荐器 (什么是核心?)
IArxiv 推荐器 (什么是 IArxiv?)
  • 作者
  • 地点
  • 机构
  • 主题

arXivLabs:与社区合作伙伴的实验项目

arXivLabs 是一个框架,允许合作伙伴直接在我们的网站上开发和分享新的 arXiv 特性。

与 arXivLabs 合作的个人和组织都接受了我们的价值观,即开放、社区、卓越和用户数据隐私。arXiv 承诺这些价值观,并且只与遵守这些价值观的合作伙伴合作。

有一个为 arXiv 社区增加价值的项目想法吗? 了解更多关于 arXivLabs 的信息.

这篇论文的哪些作者是支持者? | 禁用 MathJax (什么是 MathJax?)
  • 关于
  • 帮助
  • contact arXivClick here to contact arXiv 联系
  • 订阅 arXiv 邮件列表点击这里订阅 订阅
  • 版权
  • 隐私政策
  • 网络无障碍帮助
  • arXiv 运营状态
    通过...获取状态通知 email 或者 slack

京ICP备2025123034号