Estimation comparison of regularized sliced inverse regression after mean imputation transformation in survival data

Abstract

If we analyze the high-dimensional data by using all the information from the data, it can lead to the curse of dimension. Sliced inverse regression is one of the methods in sufficient dimension reduction. In this paper, using the right-censored survival data, we compared the estimation performances of regularized sliced inverse regression between usual bivariate slicing and univariate slicing which are transformed as a single variable. For the transformation, mean imputation method is used.;최근 데이터의 규모가 급증하는 빅데이터 시대를 맞이하고 있다. 이렇게 급증한 데이터에서 가치를 뽑아내고 결과를 분석하여 미래를 예측하는 것이 많은 기업들과 공공기관에서 도전적인 과제가 되고 있다. 설명변수의 개수가 많은 고차원의 데이터를 분석할 경우 모든 정보를 이용하여 분석을 할 경우 과잉적합, 추정의 불안정과 같은 문제가 있을 수 있다. 이러한 문제점을 해결하기 위해 많은 수의 설명변수를 보다 적은 수의 설명변수로 충분히 반응변수를 설명할 수 있도록 하는 충분 차원 축소가 빈번하게 사용되며 그 중 한 가지 방법으로 Sliced inverse regression (SIR)가 있다. 본 논문에서는 SIR의 한계점을 극복하기 위한 regularized SIR을 소개하고, 생존분석 데이터의 이변량 반응변수를 일변량으로 변환해 regularized SIR에 적용해 예측력을 비교해보고자 한다.