On Robustness and Model Flexibility in Survival Analysis: Transformed Hazard Models and Average Effects
Notice bibliographique
Résumé
Yin and Ibrahim (2005a, Biometrics 61, 208-216) use a Box-Cox transformed hazard model to acknowledge uncertainty about how a linear predictor acts upon the hazard function of a failure-time response. Particularly, additive and proportional hazards models arise for particular values of the transformation parameter. As is often the case, however, this added model flexibility is obtained at the cost of lessened parameter interpretability. Particularly, the interpretation of the coefficients in the linear predictor is intertwined with the value of the transformation parameter. Moreover, some data sets contain very little information about this parameter. To shed light on the situation, we consider average effects based on averaging (over the joint distribution of the explanatory variables and the failure-time response) the partial derivatives of the hazard, or the log-hazard, with respect to the explanatory variables. First, we consider fitting models which do assume a particular form of covariate effects, for example, proportional hazards or additive hazards. In some such circumstances, average effects are seen to be inferential targets which are robust to the effect form being misspecified. Second, we consider average effects as targets of inference when using the transformed hazard model. We show that in addition to being more interpretable inferential targets, average effects can sometimes be estimated more efficiently than the corresponding regression coefficients.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,079 | 0,292 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,006 |
| Bibliométrie | 0,003 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,008 |
| Communication savante | 0,004 | 0,008 |
| Science ouverte | 0,004 | 0,008 |
| Intégrité de la recherche | 0,003 | 0,010 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».