Bayesian variable selection for proportional hazards models

Content Provider	Semantic Scholar
Author	Ibrahim, Joseph G. Chen, Ming-Hui Eachern, Steven N. Mac
Copyright Year	1999
Abstract	The authors consider the problem of Bayesian variable selection for proportional hazards regression models with right censored data. They propose a semi-parametric approach in which a nonparametric prior is specified for the baseline hazard rate and a fully parametric prior is specified for the regression coefficients. For the baseline hazard, they use a discrete gamma process prior, and for the regression coefficients and the model space, they propose a semi-automatic parametric informative prior specification that focuses on the observables rather than the parameters. To implement the methodology, they propose a Markov chain Monte Carlo method to compute the posterior model probabilities. Examples using simulated and real data are given to demonstrate the methodology. Les auteurs abordent d'un point de vue bayesien le probleme de la selection de variables dans les modeles de regression des risques proportionnels en presence de censure a droite. Ils proposent une approche semi-parametrique dans laquelle la loi a priori du taux de base est non parametrique, mais celle des coefficients de regression est completement parametrique. L'information concernant le taux de base est representee par la loi a priori issue d'un processus gamma discret; quant a la loi a priori des parametres du modele de regression, elle est choisie dans une classe de lois parameriques au moyen d'une procedure semi-automatique centree sur les donnees plutǒt que sur les parametres. La mise a jour de rinformation se fait au moyen d'un algorithme de Monte-Carlo a chaǐne de Markov. Des donnees reelles et simulees permettent d'illustrer la methode.
Starting Page	701
Ending Page	717
Page Count	17
File Format	PDF HTM / HTML
DOI	10.2307/3316126
Volume Number	27
Alternate Webpage(s)	http://www.mat.ulaval.ca/rcs/pub/ibrahim/ibra.pdf
Alternate Webpage(s)	https://doi.org/10.2307/3316126
Language	English
Access Restriction	Open
Content Type	Text
Resource Type	Article