サロゲートℓ0スパースコックスの回帰は、スパース高次元の大規模なサンプルサイズまでのイベントデータへのアプリケーションによる回帰

スパース高次元の大規模なサンプルサイズ（SHDMSS）イベントデータまでのデータは、最も現在のスパースサバイバル回帰法とソフトウェアが停止し、実質的に不可能になるため、定量的研究者に複数の課題を示します。このホワイトペーパーでは、SHDMSSからイベントまでのデータのℓ2ペナール化回帰法の既存の高性能実装を簡単に利用できる、右に検閲された時間データのためのスケーラブルなℓ0ベースのスパースコックス回帰ツールを開発します。具体的には、ℓ0ベースの壊れた適応尾根（BAR）方法論をCOXモデルに拡張します。これには、再級の再測定されたℓ2ペナ化回帰の実行が繰り返し実行されます。COXモデルの結果として得られる推定器が選択の一貫性があり、パラメーター推定のためのOracleがあり、高度に相関する共変量のグループプロパティを持っていることを厳密に示します。さらに、既存の効率的なアルゴリズムを大規模なℓ2ペナール化COX回帰に活用することにより、SHDMSS時間からイベントデータのRパッケージにBARメソッドを実装します。広範なシミュレーションによってBAR Cox回帰法を評価し、数十万の観測と数万人がまばらに代表する共変量を伴うNational Trauma Data BankからのSHDMSSまでのデータへのアプリケーションを説明します。

Sparse high-dimensional massive sample size (sHDMSS) time-to-event data present multiple challenges to quantitative researchers as most current sparse survival regression methods and software will grind to a halt and become practically inoperable. This paper develops a scalable ℓ0 -based sparse Cox regression tool for right-censored time-to-event data that easily takes advantage of existing high performance implementation of ℓ2 -penalized regression method for sHDMSS time-to-event data. Specifically, we extend the ℓ0 -based broken adaptive ridge (BAR) methodology to the Cox model, which involves repeatedly performing reweighted ℓ2 -penalized regression. We rigorously show that the resulting estimator for the Cox model is selection consistent, oracle for parameter estimation, and has a grouping property for highly correlated covariates. Furthermore, we implement our BAR method in an R package for sHDMSS time-to-event data by leveraging existing efficient algorithms for massive ℓ2 -penalized Cox regression. We evaluate the BAR Cox regression method by extensive simulations and illustrate its application on an sHDMSS time-to-event data from the National Trauma Data Bank with hundreds of thousands of observations and tens of thousands sparsely represented covariates.