DOI QR코드

DOI QR Code

중도절단 회귀모형에서 역절단확률가중 방법 간의 비교연구

A comparison study of inverse censoring probability weighting in censored regression

  • 투고 : 2021.11.06
  • 심사 : 2021.11.08
  • 발행 : 2021.12.31

초록

역중도절단확률가중(inverse censoring probability weighting, ICPW)은 생존분석에서 흔히 사용되는 방법이다. 중도절단 회귀모형과 같은 ICPW 방법의 응용에 있어서 중도절단 확률의 정확한 추정은 핵심적인 요소라고 할 수 있다. 본 논문에서는 중도절단 확률의 추정이 ICPW 기반 중도절단 회귀모형의 성능에 어떠한 영향을 주는지 모의실험을 통하여 알아보았다. 모의실험에서는 Kaplan-Meier 추정량, Cox 비례위험(proportional hazard) 모형 추정량, 그리고 국소 Kaplan-Meier 추정량 세 가지를 비교하였다. 국소 KM 추정량에 대해서는 차원의 저주를 피하기 위해 공변량의 차원축소 방법을 추가적으로 적용하였다. 차원축소 방법으로는 흔히 사용되는 주성분분석(principal component analysis, PCA)과 절단역회귀(sliced inverse regression)방법을 고려하였다. 그 결과 Cox 비례위험 추정량이 평균 및 중위수 중도절단 회귀모형 모두에서 중도절단 확률을 추정하는 데 가장 좋은 성능을 보여주었다.

Inverse censoring probability weighting (ICPW) is a popular technique in survival data analysis. In applications of the ICPW technique such as the censored regression, it is crucial to accurately estimate the censoring probability. A simulation study is undertaken in this article to see how censoring probability estimate influences model performance in censored regression using the ICPW scheme. We compare three censoring probability estimators, including Kaplan-Meier (KM) estimator, Cox proportional hazard model estimator, and local KM estimator. For the local KM estimator, we propose to reduce the predictor dimension to avoid the curse of dimensionality and consider two popular dimension reduction tools: principal component analysis and sliced inverse regression. Finally, we found that the Cox proportional hazard model estimator shows the best performance as a censoring probability estimator in both mean and median censored regressions.

키워드

과제정보

이 논문은 정부(미래창조과학부)의 재원으로 한국연구재단의 지원을 받아 수행된 연구임 (NRF-2018R1D1A1B07043034 and NRF-2019R1A4A1028134)

참고문헌

  1. Bang H and Tsiatis A (2002). Median regression with censored cost data, Biometrics, 58, 643--649. https://doi.org/10.1111/j.0006-341X.2002.00643.x
  2. Beran R (1981). Nonparametric regression with randomly censored survival data, Technical Report, Universityof California at Berkeley.
  3. Cook RD and Weisberg S (1991). Discussion of "sliced inverse regression for dimension reduction", Journal of the American Statistical Association, 86, 28--33.
  4. Cox DR (1972). Regression models and life-tables, Journal of the Royal Statistical Society: Series B, 34, 187--202. https://doi.org/10.1111/j.2517-6161.1972.tb00899.x
  5. Li KC (1991). Sliced inverse regression for dimension reduction, Journal of the American Statistical Association, 86, 316--327. https://doi.org/10.1080/01621459.1991.10475035
  6. Shin SJ, Zhang HH, and Wu Y (2017). A nonparametric survival function estimator via censored kernel quantile regressions, Statistica Sinica, 27, 457--478.
  7. Tsiatis A (2007). Semiparametric Theory and Missing Data, Springer, New York.
  8. Ying Z, Jung S, and Wei L (1995). Survival anaysis with median regression models, Journal of the American Statistical Assocication, 90, 178--184. https://doi.org/10.1080/01621459.1995.10476500
  9. Zhou L (2006). A simple censored median regression estimator, Statistica Sinica, 16, 1043--1058.