[论文解读] A maximum-mean-discrepancy goodness-of-fit test for censored data

Tamara Fernández, Arthur Gretton|arXiv (Cornell University)|Oct 9, 2018

Statistical Methods and Inference被引用 7

一句话总结

本文提出了一种基于核函数的拟合优度检验方法，用于右删失生存数据，采用再生核希尔伯特空间（RKHS）中的最大均差（MMD）统计量，避免依赖参数假设或用户定义的特征。该方法在多种风险函数下表现出高检验效能，优于对数秩检验和卡方检验——尤其在时变风险函数下表现更优，同时通过野生自助法校准实现了一致性与计算简便性。

ABSTRACT

We introduce a kernel-based goodness-of-fit test for censored data, where observations may be missing in random time intervals: a common occurrence in clinical trials and industrial life-testing. The test statistic is straightforward to compute, as is the test threshold, and we establish consistency under the null. Unlike earlier approaches such as the Log-rank test, we make no assumptions as to how the data distribution might differ from the null, and our test has power against a very rich class of alternatives. In experiments, our test outperforms competing approaches for periodic and Weibull hazard functions (where risks are time dependent), and does not show the failure modes of tests that rely on user-defined features. Moreover, in cases where classical tests are provably most powerful, our test performs almost as well, while being more general.

研究动机与目标

• 开发一种适用于右删失生存数据的通用非参数拟合优度检验方法，不假设备择风险函数的具体形式。
• 克服现有检验方法（如对数秩检验）的局限性，后者在时变风险函数下效能下降，且需预先指定权重函数。
• 设计一种在多种风险结构（包括周期性和Weibull形式）下均具高统计效能与鲁棒性的检验方法，避免依赖密度估计或风险函数积分。
• 通过避免在检验统计量中使用Kaplan-Meier校正，确保在删失存在时的计算可行性与有效校准。
• 提供一种一致且可扩展的检验方法，保持第一类错误控制，并在丰富备择假设下实现高检验效能。

提出的方法

• 该检验使用基于核函数的MMD统计量，衡量RKHS中经验分布嵌入与零假设分布嵌入之间的距离，实现无需参数建模的非参数比较。
• 提出一种新颖的样本映射方法，将删失数据转换为适合MMD计算的形式，无需对删失分布进行校正。
• 检验统计量为基于MMD的V-统计量，可通过野生自助法实现简便的临界值估计。
• 该方法避免了在零假设下显式计算或积分风险函数，从而降低计算复杂度并提高鲁棒性。
• 该方法在非信息删失机制下对删失机制具有不变性，且除核函数带宽外，无需用户定义的特征或调参。
• 采用自适应长度尺度核以提升在不同数据尺度下的性能，实验中评估了固定与自适应版本。

实验结果

研究问题

• RQ1 基于核函数的MMD检验是否能在不假设比例风险或预设备择形式的前提下，对右删失数据实现高检验效能？
• RQ2 所提出的MMD检验在检测周期性与Weibull风险函数等时变风险函数时，与对数秩检验和卡方检验相比表现如何？
• RQ3 在不同删失水平下，该方法是否能在零假设下保持正确的第一类错误率与一致性？
• RQ4 该检验能否避免依赖主观设计选择的基于特征或权重的方法所常见的失效模式？
• RQ5 在比例风险条件下，MMD检验是否与最强大的经典检验方法具有可比性，同时在复杂备择假设下仍具泛化能力？

主要发现

• 在比例风险条件下，MMD检验的效能几乎与对数秩检验相当，后者在该假设下被证明为最高效力的检验方法。
• 在周期性风险函数下，MMD检验显著优于所有对比方法，包括加权对数秩检验与皮尔逊卡方检验。
• 对于Weibull风险函数，MMD检验在效能上优于其他方法，尤其在高删失率（50%）与小样本量（n=100）时表现更优。
• 在10%显著性水平与50%删失率下，MMD检验对参数θw=(3,1)的Weibull风险函数实现了99.85%的效能，优于次优方法（WLR）的99.90%。
• MMD检验保持了正确的尺寸控制，第一类错误率接近名义水平（如5%与1%），即使在高删失率与复杂备择假设下亦然。
• 自适应长度尺度版本的MMD检验始终优于固定长度尺度版本，尤其在时变风险函数与中高删失率场景下表现更优。