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:1512.03500

帮助 | 高级搜索

统计学 > 方法论

arXiv:1512.03500 (stat)
[提交于 2015年12月11日 (v1) ,最后修订 2018年8月9日 (此版本, v2)]

标题: 多阈值加速失效时间模型

标题: Multi-threshold Accelerate Failure Time Model

Authors:Jialiang Li, Baisuo Jin
摘要: 一种用于在分段加速失效时间(AFT)模型中同时检测多个阈值并实现模型选择的两阶段过程在本文中被开发。 在第一阶段,我们将阈值问题形式化为一个组模型选择问题,以便可以应用凹2范数组选择方法。 在第二阶段,通过精炼方法最终确定阈值。 在一些温和的技术条件下,我们建立了阈值估计和回归系数估计的强一致性。 所提出的程序在我们的广泛模拟研究中表现良好。 通过分析一个滤泡性淋巴瘤数据,展示了其在现实世界中的适用性。
摘要: A two-stage procedure for simultaneously detecting multiple thresholds and achieving model selection in the segmented accelerate failure time (AFT) model is developed in this paper. In the first stage, we formulate the threshold problem as a group model selection problem so that a concave 2-norm group selection method can be applied. In the second stage, the thresholds are finalized via a refining method. We establish the strong consistency of the threshold estimates and regression coefficient estimates under some mild technical conditions. The proposed procedure performs satisfactorily in our extensive simulation studies. Its real world applicability is demonstrated via analyzing a follicular lymphoma data.
主题: 方法论 (stat.ME)
引用方式: arXiv:1512.03500 [stat.ME]
  (或者 arXiv:1512.03500v2 [stat.ME] 对于此版本)
  https://doi.org/10.48550/arXiv.1512.03500
通过 DataCite 发表的 arXiv DOI

提交历史

来自: Baisuo Jin [查看电子邮件]
[v1] 星期五, 2015 年 12 月 11 日 01:31:11 UTC (72 KB)
[v2] 星期四, 2018 年 8 月 9 日 08:00:46 UTC (1,190 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 | 2015-12
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