[论文解读] Generalizing the Frailty Assumptions in Survival Analysis

Vahed Maroufy, Paul Marriott|arXiv (Cornell University)|Oct 8, 2015

Statistical Methods and Inference参考文献 20被引用 3

一句话总结

本文提出了一种基于拉普拉斯近似和光滑流形上的梯度搜索的非迭代轮廓似然方法，用于在未指定脆弱性分布的情况下估计Cox比例风险模型中的回归系数。当脆弱性分布误设时，局部混合方法的表现优于标准EM算法，表现出更低的偏差和标准误，尤其在脆弱性左偏时更为显著，显著提升了存在未观测异质性的生存分析中的稳健性和效率。

ABSTRACT

This paper studies Cox's regression hazard model with an unobservable random frailty where no specific distribution is postulated for the frailty variable, and the marginal lifetime distribution allows both parametric and non-parametric models. Laplace's approximation method and gradient search on smooth manifolds embedded in Euclidean space are applied, and a non-iterative profile likelihood optimization method is proposed for estimating the regression coefficients. The proposed method is compared with the Expected-Maximization method developed based on a gamma frailty assumption, and also in the case when the frailty model is misspecified.

研究动机与目标

• 为解决Cox比例风险模型中脆弱性分布参数假设（尤其是伽马分布）的局限性。
• 开发一种非迭代的、基于轮廓似然的估计方法，避免对脆弱性变量施加强分布假设。
• 在真实脆弱性分布被误设时（尤其是左偏情况），提高估计效率并降低偏差。
• 提出一种基于光滑流形和拉普拉斯近似的几何上合理的推断方法，用于半参数脆弱性模型。

提出的方法

• 使用拉普拉斯近似简化似然函数中关于脆弱性分布的高维积分。
• 在嵌入欧氏空间的光滑流形上应用梯度搜索，以优化回归系数的轮廓似然。
• 采用两步优化策略：先轮廓化脆弱性分布，再通过基于流形的牛顿型方法估计回归系数。
• 通过小混合变化的局部混合建模，将方法推广至非参数基线风险函数。
• 对脆弱性变化施加“小量”条件，以确保可识别性并支持几何推断。
• 以非迭代、更快的基于流形几何的优化策略替代迭代的EM算法。

实验结果

研究问题

• RQ1 非迭代的、基于轮廓似然的方法是否能提升在未指定脆弱性分布的Cox模型中的估计效率？
• RQ2 当脆弱性分布被误设时，所提出的局部混合方法与标准EM算法相比表现如何，特别是在脆弱性左偏的情况下？
• RQ3 基于光滑流形和拉普拉斯近似的几何方法是否能确保半参数脆弱性模型中的可识别性和稳健性？
• RQ4 该方法在模型误设下，能在多大程度上降低回归系数估计的偏差和方差？

主要发现

• 在脆弱性左偏时，局部混合方法（LMM）的偏差和标准误显著低于EM方法，偏差降低达0.073 vs. 0.011（η=0.4时）。
• 当脆弱性方差较小（η=0.1）时，LMM与EM表现相近，但LMM在所有情景下均表现出更低的标准误。
• 在rhDNAse临床试验中，LMM与EM对治疗组的估计几乎相同，但对安慰剂组的估计存在显著差异，LMM显示出更低的偏差。
• 安慰剂组在所有分箱长度下均表现出事件计数的负偏态，表明存在左偏脆弱性，与模拟结果中LMM占优的发现一致。
• 模拟研究证实，当模型误设时，LMM优于EM，尤其在非伽马分布脆弱性时表现出更强的偏差降低能力。
• 该方法的非迭代特性实现了更快的计算速度，无需多次EM迭代，同时保持了高精度。