[논문 리뷰] On Dealing with Censored Largest Observations under Weighted Least Squares

Md Hasinur Rahaman Khan, J.E. Shaw|arXiv (Cornell University)|2013. 12. 09.

Statistical Methods and Inference참고 문헌 10인용 수 4

한 줄 요약

이 논문은 가속화된 실패 시간(AFT) 모델에서 가장 큰 관측치를 보정하기 위해 가중 최소 제곱법을 사용한 다섯 가지 개선된 대체 방법을 제안한다. 이는 에프론의 재분배 방법으로 인해 발생하는 편향과 비효율성을 해결하기 위한 것이다. 접근법들은 블랙리지-재임퓨테이션과 에프론의 尾部 보정을 기반으로 하며, 새로운 평균 대체 기법을 포함한다. 이 방법들은 2차 프로그래밍을 통해 최적화된 정규화된 가중 최소 제곱법을 사용하며, 특히 무거운 관측치가 존재할 경우에 에프론의 방법보다 훨씬 낮은 평균 제곱 오차와 편향을 기록하여 우수한 성능을 보인다.

ABSTRACT

When observations are subject to right censoring, weighted least squares with appropriate weights (to adjust for censoring) is sometimes used for parameter estimation. With Stute's weighted least squares method, when the largest observation is censored ($Y_{(n)}^+$), it is natural to apply the redistribution to the right algorithm of Efron (1967). However, Efron's redistribution algorithm can lead to bias and inefficiency in estimation. This study explains the issues clearly and proposes some alternative ways of treating $Y_{(n)}^+$. The first four proposed approaches are based on the well known Buckley--James (1979) method of imputation with the Efron's tail correction and the last approach is indirectly based on a general mean imputation technique in literature. All the new schemes use penalized weighted least squares optimized by quadratic programming implemented with the accelerated failure time models. Furthermore, two novel additional imputation approaches are proposed to impute the tail tied censored observations that are often found in survival analysis with heavy censoring. Several simulation studies and real data analysis demonstrated that the proposed approaches generally outperform Efron's redistribution approach and lead to considerably smaller mean squared error and bias estimates.

연구 동기 및 목표

• 가중 최소 제곱 추정에서 가장 큰 관측치를 오른쪽으로 재분배하는 데서 발생하는 편향과 비효율성을 줄이기 위한 것이다.
• 특히 무거운 관측치와 tied 관측치가 존재할 경우, 가장 큰 관측치에 대한 개선된 대체 기법을 개발하기 위한 것이다.
• 에프론의 방법을 더 정확한 대체 전략으로 대체함으로써 가속화된 실패 시간(AFT) 모델의 매개변수 추정을 향상시키기 위한 것이다.
• 제안된 방법을 구현하기 위한 공개된 R 패키지 imputeYn을 제공하기 위한 것이다.
• 다양한 관측치 수준과 공변수의 상관관계 구조에서 신규 대체 방법의 성능을 평가하기 위한 것이다.

제안 방법

• 블랙리지-재임퓨테이션과 에프론의 尾部 보정을 기반으로 한 다섯 가지 대체 기법을 제안하며, 이는 정규화된 가중 최소 제곱법을 2차 프로그래밍을 통해 최적화한다.
• 무거운 관측치가 많은 생존 데이터에서 흔한 꼬리-결합 관측치를 다루기 위해 반복적 대체와 외삽 대체 방법을 추가로 도입한다.
• 관측치를 고려하여 슈테우테의 가중 최소 제곱법(SWLS)과 카프만-마이어 가중치를 적용함으로써 AFT 모델 추정에서 적절한 가중치를 확보한다.
• 조건부 평균 대체, 샘플링 기반 조건부 평균, 예측 차이 방법을 사용하여 가장 큰 관측치 $Y_{(n)}^+$를 대체한다.
• 로그 변환된 생존 시간과 공변수를 사용하는 가속화된 실패 시간(AFT) 모델 프레임워크를 적용하며, 매개변수 추정은 정규화된 가중 최소 제곱법을 통해 수행한다.
• 정규화된 가중 최소 제곱법의 최적화 문제를 해결하기 위해 2차 프로그래밍을 사용하여 수치적 안정성과 수렴성을 확보한다.

실험 결과

연구 질문

• RQ1 다양한 대체 전략이 가장 큰 관측치에 대해 에프론의 재분배 방법과 비교할 때 편향과 평균 제곱 오차 측면에서 어떻게 다른가?
• RQ2 다양한 관측치 수준과 공변수의 상관관계 구조에서 제안된 대체 방법의 성능은 어떠한가?
• RQ3 꼬리-결합 관측치에 대한 새로운 대체 기법이 무거운 관측치가 존재하는 AFT 모델에서 추정 정확도를 향상시킬 수 있는가?
• RQ4 실제 생존 데이터, 예를 들어 찬닝 하우스 데이터 세트에서 제안된 방법들이 에프론의 접근 방식과 비교해 어떻게 성능을 내는가?
• RQ5 정규화된 가중 최소 제곱법 추정에서 어떤 대체 방법이 가장 효율적이고 편향이 적은 매개변수 추정치를 제공하는가?

주요 결과

• 제안된 대체 방법 중 조건부 평균 추가 및 샘플링 기반 조건부 평균 추가 방법이 모든 관측치 수준에서 일관되게 가장 낮은 편향과 평균 제곱 오차를 기록한다.
• 높은 관측치 수준에서 예측 차이 대체 방법이 에프론의 재분배 방법을 능가하지만, 낮고 중간 수준의 관측치에서는 성능이 유사하다.
• 반복 대체 방법은 예측 차이 추정치에 가까운 결합된 대체 값(예: 약 137.9)을 생성하여 tied 관측치 데이터에서 안정성을 보여준다.
• 외삽 대체 방법은 다양하게 변하는 대체 값을 생성한다(예: 찬닝 하우스 데이터에서 134.23에서 200.32까지), 이는 과도한 분산과 낮은 신뢰성 가능성을 시사한다.
• 찬닝 하우스 데이터에서 나이의 추정 계수는 반복 방법의 경우 -0.154에서 외삽 방법의 경우 -0.218로 변화하여 모델 추론에 상당한 영향을 미친다.
• 실제 데이터 분석 결과, 외삽 방법이 반복 방법보다 생존 곡선 추정에서 더 뛰어난 성능을 보였으며, 둘 다 에프론의 방법보다 모델 적합도와 매개변수 정밀도 측면에서 향상된 결과를 보였다.