On Directional Regression Approach for Right-Censored Survival Data Analysis

Abstract

데이터 수집 기법이 향삼됨에 따라 데이터의 차원이 급속도로 증가하였다. 이는 차원의 저주와 같은 문제를 야기할 수 있기 때문에 적절한 분석 방법을 선택하는 것이 매우 중요하다. 충분 차원 축소(SDR) 방법은 정보의 손실은 최소화하면서 기존의 독립변수를 더 낮은 차원의 선형 변환된 독립변수로 대체시킬 수 있다. 생존 데이터에는 이러한 특성이 자주 나타나며, 대표적인 SDR 방법의 SIR과 SAVE를 적용시켜왔다. 해당 과정에서 생존 데이터가 가지는 절단(censoring) 문제를 고려하기 위해 double slicing 기법을 활용하였다. 본 연구에서는 동일한 기법을 DR에 적용하여 생존 데이터 분석에 활용하는 방법을 소개하였다. SIR과 SAVE의 특성을 결합한 DR은 높은 계산 효율성을 가지고 있지만, 다른 방법 대비 연구가 많이 이루어지지 않았다. survival DR의 성능을 survival SIR, survival SAVE와 비교하기 위하여 다양한 시뮬레이션을 진행하였으며 실제 데이터에도 이를 적용시켰다. 연구 중 모든 과정은 R을 활용하였다.;With the increasing use of big data, the size and dimension of data is growing rapidly. This can lead to problems such as the curse of dimensionality, which opens a door to dimension reduction methods such as Sufficient dimension reduction. SDR can replace a predictor with a lower-dimensional, linearly transformed predictor without losing conditional distribution information between a response and a predictor. Because survival data is typically high dimensional, previous studies about survival sufficient dimension reduction have been focused on the method such as sliced inverse regression and sliced average variance estimation. Double slicing was applied to consider the censoring problem of survival data. In this study, we extend survival sufficient dimension approach to directional regression by incorporating complete slicing method with directional regression. Directional regression, which combines the characteristics of sliced inverse regression and sliced average variance estimation, is known to have high computational efficiency and estimation accuracy, but it has not been studied. To compare the performance of survival directional regression with survival sliced inverse regression and survival sliced average variance estimation, we conducted a number of simulations and applied it to real data.