Variable Selection and Dimension Reduction in Partially Linear Single-Index AFT Models
We propose a penalized method for variable selection and dimension reduction in partially linear single-index accelerated failure time (PLISI-AFT) models with censored data, motivated by biomedical studies involving low-dimensional clinical/environmental and high-dimensional gene expression covariates. The model combines a nonparametric part with a single-index term for low-dimensional covariates and a parametric part for high-dimensional covariates. An adaptive broken ridge (BAR) penalty is used for variable selection in the parametric part to reduce high-dimensions and ensure selection consistency and oracle properties, while the single-index component in the nonparametric part presents another way for “dimension reduction” for low-dimensional covariates. The nonparametric component is consistently estimated via local linear kernel regression. Simulations and real data analyses demonstrate the method's effectiveness.
Sélection des variables et réduction des dimensions dans les modèles AFT partiellement linéaires
Nous proposons une méthode pénalisée pour la sélection des variables et la réduction des dimensions dans les modèles de temps de défaillance accéléré partiellement linéaires à indice unique (PLISI-AFT) avec des données censurées, le tout motivé par des études biomédicales impliquant des covariables cliniques/environnementales de faible dimension et des covariables d'expression génique de grande dimension. Le modèle combine une partie non paramétrique avec un terme d'indice unique pour les covariables de faible dimension et une partie paramétrique pour les covariables de grande dimension. Une pénalité adaptative de type « crête brisée » (BAR) est utilisée pour la sélection des variables dans la partie paramétrique afin de réduire les dimensions élevées et d'assurer la cohérence de la sélection et les propriétés de l'oracle, tandis que la composante à indice unique dans la partie non paramétrique constitue un autre moyen de « réduction des dimensions » pour les covariables de faible dimension. La composante non paramétrique est estimée de manière cohérente par régression linéaire locale du noyau. Des simulations et des analyses de données réelles démontrent l'efficacité de la méthode.
Date and Time
-
Langue de la présentation orale
Anglais
Langue des supports visuels
Anglais