ty -jour a2 -Moraru，Luminita au -Tapak，Leili au -Kosorok，Michael R.Au -Sadeghifar，Majid Au -Hamidi -Hamidi，Omid au -au -afshar，saeid au -doosti -doosti -doosti -doosti，doosti，hassan py -2021 da -2021/09/20/20/2021/09/20Ti-高维稀疏分布危险模型SP -5169052 VL -2021 AB-高维选择和高维度设置中的惩罚回归模型在许多领域中的一个越来越重要的主题变得越来越重要。例如，在生物医学研究中产生的OMICS数据可能与患者的存活有关，并建议对疾病动态的见解，以鉴定预后较差并改善治疗疗法。在存在竞争风险的情况下，在存在竞争风险的情况下对高维时间数据进行分析需要特殊的建模技术。到目前为止，已经尝试使用基于部分可能性的程序进行一些尝试在低维和高维竞争风险设置中进行选择的尝试。在本文中，在高维竞争风险数据的子分布危害模型下，基于加权的惩罚方法扩展了直接变量选择。提出的方法考虑了一个较大的半参数回归模型以进行分布，因此可以考虑时间变化的效果，并且特别重要，因为比例危害假设通常在高度差异环境中可能无效。同样，该模型从同时使用细和灰色方法同时建模多个累积入射率功能的能力的约束中放松。包括minimax凹罚（MCP）在内的几项罚款的绩效/有效性；自适应套索，平稳地剪切了绝对偏差（SCAD）及其L₂通过敏感性/特异性来通过仿真研究研究对应物。结果表明，所有惩罚的灵敏度都是可比的，但是MCP和MCP-L₂在选择较少的非信息变量方面，罚款优于其他方法。通过分析从患有膀胱癌患者获得的基因组竞争风险数据和CDC20，NCF2，NCF2，SMARCAD1，RTN4，ETFDH和SON的六个基因获得的基因组竞争风险数据进行了研究，并使用所有方法鉴定了分布。SN -1748-670X UR -https：//doi.org/10.1155/2021/5169052 do -10.1155/2021/5169052 JF-医学中的计算和数学方法