Moment-Assisted Subsampling Method for Cox Proportional Hazards Model with Large-Scale Data¶
作者: Miaomiao Su, Ruoyu Wang
来源: Journal of Computational and Graphical Statistics
主题: 统计计算 / 算法
相关性: 5/10
机构绿灯: Harvard University(US News 前 50,免分进入精读)
链接: 期刊页 · arXiv
一、领域脉络与小综述¶
这个方向是什么¶
本文所处的子方向是大规模数据下的子抽样(subsampling)推断。其根本问题在于:当全量数据 \(n\) 极大(百万级甚至更大)时,传统估计方法(如极大似然估计、偏似然估计)的计算代价过高,甚至超出单机内存与算力限制。子抽样方法的核心思路是:从全量数据中抽取一个远小于 \(n\) 的子样本(大小为 \(r\)),仅基于子样本进行估计,从而大幅降低计算量;但代价是估计效率(渐近方差)通常劣于全数据估计。该方向的学术目标是在计算复杂度与统计效率之间寻找最优权衡——即用尽可能小的 \(r\) 获得尽可能接近全数据估计的效率。
该方向的成熟度已较高:从线性回归(Wang et al., 2018)、Logistic 回归(Wang et al., 2017)、分位数回归(Ai et al., 2021)到 Cox 模型(Zhang et al., 2024; Wang et al., 2024),子抽样方法已在多个经典模型下建立了完整的"一致性 + 渐近正态性 + 最优抽样概率"理论框架。本文的定位是在这一成熟框架内,针对 Cox 模型的一个特定痛点——时变协变量导致的计算复杂度从 \(O(n\log n)\) 恶化到 \(O(n^2\log n)\)——提出一种新的效率改进策略。
发展脉络(history)¶
奠基工作:非均匀子抽样(NSP)框架。 该方向的范式由 Wang et al. (2017) 在 Logistic 回归中确立:通过设计非均匀抽样概率(优先抽取"信息量大"的样本),在相同子样本量下获得比均匀抽样更小的渐近方差。其核心思想是"方差最小化"——推导渐近方差的显式表达式,再对抽样概率求最优解。这一框架随后被推广到分位数回归(Ai et al., 2021)、广义线性模型(Yu et al., 2022)等。
Cox 模型的子抽样:从 NSP 到 OSCAR。 Zhang et al. (2024) 将 NSP 框架引入 Cox 模型,提出了最优子抽样概率的显式解(基于 A-optimality,即最小化渐近方差矩阵的迹)。然而,该方法的计算瓶颈在于:计算最优抽样概率本身需要遍历全量数据计算"杠杆分数",当时变协变量存在时,这一步骤的复杂度为 \(O(n^2)\),反而可能抵消子抽样的计算优势。
OSES:一步估计的高效化。 Wang et al. (2024) 提出了 OSES(One-Step Efficient Score)方法,其核心思想是:先用子样本得到初始估计 \(\tilde{\beta}_{uni}\),再通过全量数据上易算的"高效得分函数"做一步牛顿修正,使得最终估计量与全数据偏似然估计 \(\hat{\beta}\) 渐近等价。OSES 的优点是理论上能达到全数据效率,但代价是需要在全量数据上计算得分函数值,当时变协变量存在时复杂度为 \(O(nr)\)(\(r\) 为子样本量),仍可能较大。
本文的位置:Moment-Assisted Subsampling (MCox)。 本文(Su & Wang, 2025)是 Su et al. (2023) 提出的 moment-assisted subsampling(MAS)框架在 Cox 模型上的推广。MAS 的核心思想是:全量数据的样本矩(sample moments)通常极易计算(\(O(n)\) 复杂度),且包含了关于参数 \(\beta_0\) 的信息。因此,可以将子样本估计方程与全量数据样本矩信息通过 GMM(广义矩估计)框架结合,从而在不显著增加计算量的前提下提升效率。本文的贡献在于:(1) 将 MAS 从参数模型推广到半参数 Cox 模型;(2) 推导出最优矩函数的显式形式;(3) 证明当采用最优矩时,MCox 估计量的渐近方差等于全数据偏似然估计的渐近方差 \(n^{-1}\Sigma_0^{-1}\),即达到全数据效率。
子线索聚类¶
被引文献大致落在三条子线索上:
线索一:非均匀子抽样(NSP)与最优抽样概率设计。 代表工作:Wang et al. (2017, Logistic)、Ai et al. (2021, 分位数回归)、Yu et al. (2022, 拟似然)、Zhang et al. (2024, Cox)。这条线索的核心技术是"渐近方差的显式推导 + 抽样概率的最优化",其共同瓶颈是:最优抽样概率的计算本身可能需要遍历全量数据,当时变协变量存在时复杂度恶化。
线索二:一步估计与分布式推断。 代表工作:Wang et al. (2024, OSES)、Battey et al. (2018, 分布式检验与估计)、Wang et al. (2021, 分布式 Cox 回归)。这条线索的核心思想是"先子样本估计,再全量修正",其优点是理论上能达到全数据效率,但代价是需要额外的全量数据扫描(计算得分或梯度),且对初始估计的精度敏感。
线索三:矩辅助估计(Moment-Assisted)。 代表工作:Su et al. (2023, 参数模型下的 MAS)。这条线索是本文的直接前身,核心思想是利用全量数据易算的样本矩来提升子样本估计效率。本文将其推广到 Cox 模型,并解决了半参数模型中"矩函数如何选择"这一关键问题。
这个方向在追问的核心问题¶
-
效率-计算权衡的帕累托前沿:在给定计算预算(如 \(O(n)\) 或 \(O(n\log n)\))下,子抽样估计量能达到的最小渐近方差是多少?本文的答案是:通过最优矩辅助,可以达到全数据效率 \(n^{-1}\Sigma_0^{-1}\),且计算复杂度为 \(O(n + r^2\log r)\)(时变协变量情形),显著优于全数据估计的 \(O(n^2\log n)\)。
-
最优矩函数的存在性与显式形式:对于给定的模型,是否存在一个矩函数 \(h(\cdot)\) 使得 MCox 估计量达到全数据效率?本文的 Theorem 2 给出了充要条件:\(h\) 需满足 \(M[h(Z) - E\{h(Z)\}] = \psi(Z;\beta_0)\),即矩函数的线性变换需等于影响函数(influence function)。这是一个半参数效率理论中的经典条件——影响函数张成的空间决定了可达到的效率界。
-
子样本量 \(r\) 的增长率要求:为保证渐近等价性,\(r\) 需要以多快的速度趋于无穷?本文的 Condition 3(ii) 要求 \(r\sigma_{\min}(\Sigma_0 - \Omega_{12}\Omega_{22}^{-1}\Omega_{21}) \to \infty\),这比 OSES 的 \(r \gg n^{1/2}\) 条件更宽松,意味着 MCox 在更小的子样本量下也能保持良好性能。
⚠️ 作者的 framing(这是作者的说法)¶
作者在引言中将缺口 frame 为:现有 Cox 模型子抽样方法(NSP 和 OSES)在时变协变量下计算复杂度仍然过高。具体而言: - NSP 方法(Zhang et al., 2024)需要计算全量数据的最优抽样概率,时变协变量下复杂度为 \(O(n^2)\); - OSES 方法(Wang et al., 2024)需要计算全量数据的得分函数,复杂度为 \(O(nr)\),且要求 \(r \gg n^{1/2}\)。
作者声称 MCox 通过"仅利用全量数据的样本矩(\(O(n)\) 复杂度)"避免了上述瓶颈,同时达到与全数据估计相同的渐近效率。注意:这一 framing 隐含了一个假设——样本矩 \(\hat{\mu}\) 的计算确实可以 \(O(n)\) 完成。对于时变协变量,若矩函数 \(h(Z)\) 涉及时间积分(如 \(\int_0^Y X(t)dt\)),则计算复杂度可能不止 \(O(n)\)。作者在文中未明确讨论这一细节,值得读者自行核查。
张力¶
未见明显对立引用。各条线索之间是互补关系而非竞争关系:NSP 解决"抽哪些样本",OSES 解决"如何用全量数据修正",MAS 解决"如何用全量数据矩辅助"。本文的 MCox 实际上是 MAS 框架在 Cox 模型上的落地,与 OSES 在效率上等价(都达到全数据效率),但在计算复杂度上更优(\(O(n + r^2\log r)\) vs \(O(nr)\))。
二、最核心、最简单的例子 / 数学问题¶
第一步:符号、模型、可观测数据¶
符号清单(逐个点名):
| 记号 | 含义 | 类型 |
|---|---|---|
| \(T\) | 失效时间(failure time) | 随机变量(潜在) |
| \(C\) | 删失时间(censoring time) | 随机变量(潜在) |
| \(Y = \min(T, C)\) | 观测时间 | 随机变量(可观测) |
| \(\Delta = I(T < C)\) | 失效指示 | 随机变量(可观测) |
| \(X(t) \in \mathbb{R}^p\) | 可能时变的协变量,在 \([0, Y]\) 上观测 | 随机过程(可观测) |
| \(Z = (Y, \Delta, X)\) | 单个观测的全部数据 | 可观测数据 |
| \(\beta_0 \in \mathbb{R}^p\) | 回归系数(目标参数) | 参数 / estimand |
| \(\lambda_0(t)\) | 基线风险函数 | nuisance(未知) |
| \(N_i(t) = \Delta_i I(Y_i \le t)\) | 计数过程 | 可观测 |
| \(M_i(t, \beta)\) | 鞅过程(\(M_i = N_i - \int_0^t I(Y_i \ge u)e^{\beta^T X_i(u)}\lambda_0(u)du\)) | 潜在(含 \(\lambda_0\)) |
| \(\hat{\beta}\) | 全数据偏似然估计 | 估计量(基准) |
| \(\tilde{\beta}_{uni}\) | 均匀子抽样估计 | 估计量(基线) |
| \(\tilde{\beta}_{MCox}\) | 本文提出的矩辅助子抽样估计 | 估计量(本文) |
| \(r\) | 子样本量(期望值) | 算法参数 |
| \(n\) | 全量数据规模 | 已知常数 |
| \(\delta_i\) | 第 \(i\) 个样本是否被抽入子样本的指示 | 随机变量(抽样机制) |
| \(\rho_n = r/n\) | 抽样比 | 常数 |
| \(h(Z) \in \mathbb{R}^q\) | 矩函数(用户选择) | 设计参数 |
| \(\hat{\mu} = n^{-1}\sum_{i=1}^n h(Z_i)\) | 全量数据样本矩 | 可观测(易算) |
| \(\psi(Z; \beta)\) | 偏似然影响函数(influence function) | 潜在(含 \(\beta_0\)) |
| \(\Sigma_0\) | 全数据偏似然估计的渐近方差(逆信息矩阵) | 目标量 |
| \(\Omega_{11}, \Omega_{12}, \Omega_{22}\) | 影响函数与矩函数的协方差分块 | 渐近量 |
| \(V_h\) | MCox 估计量的渐近方差 | 目标量 |
| \(\Sigma(\beta)\) | 偏似然信息矩阵 | 中间量 |
模型(数据生成机制):
-
Cox 比例风险模型:给定协变量过程 \(X(\cdot)\),失效时间 \(T\) 的风险函数为
\[\lambda(t; X) = \lambda_0(t) e^{\beta_0^T X(t)},\]其中 \(\lambda_0(\cdot)\) 为未知的基线风险函数(nuisance),\(\beta_0\) 为感兴趣的回归参数。 -
右删失:\(C\) 与 \(T\) 在给定 \(X\) 的条件下独立。观测到 \((Y, \Delta, X)\),其中 \(Y = \min(T, C)\),\(\Delta = I(T < C)\)。
-
全量数据:\(\{(Y_i, \Delta_i, X_i)\}_{i=1}^n\) 为 \(n\) 个 i.i.d. 观测。
-
子抽样机制:从 \(n\) 个观测中按某种概率(均匀或非均匀)抽取 \(r\) 个进入子样本。设 \(\delta_i \in \{0,1\}\) 为抽样指示,\(\Pr(\delta_i = 1) = \rho_n = r/n\)(均匀抽样情形)。
可观测 vs 潜在: - 可观测:\((Y_i, \Delta_i, X_i(t), t \le Y_i)\),以及全量数据的样本矩 \(\hat{\mu} = n^{-1}\sum_{i=1}^n h(Z_i)\)。 - 潜在 / 不可观测:基线风险 \(\lambda_0(t)\)、影响函数 \(\psi(Z; \beta_0)\)、最优矩函数 \(h_{opt}(Z)\)(需估计)。
第二步:最小内核¶
核心问题:我们有一个巨大的数据集(\(n\) 很大),想估计 Cox 回归系数 \(\beta_0\),但全量偏似然估计 \(\hat{\beta}\) 的计算代价太高(时变协变量下 \(O(n^2\log n)\))。我们只愿意看 \(r\) 个样本(\(r \ll n\)),但希望估计量的效率尽量接近 \(\hat{\beta}\)。
朴素做法(均匀子抽样):随机抽 \(r\) 个样本,解子样本偏似然方程 \(\tilde{U}(\beta) = 0\)。得到 \(\tilde{\beta}_{uni}\)。其渐近方差为 \(V_{uni} = r^{-1}\Sigma_0^{-1}\),比全数据估计的方差 \(n^{-1}\Sigma_0^{-1}\) 大 \(n/r\) 倍。
本文的核心思想(矩辅助):
-
观察:全量数据的样本矩 \(\hat{\mu} = n^{-1}\sum_{i=1}^n h(Z_i)\) 计算代价极低(只需一次 \(O(n)\) 扫描),但它包含了关于 \(\beta_0\) 的信息——因为 \(E[h(Z)] = \mu_0\) 是 \(\beta_0\) 的函数(通过 \(Z\) 的分布依赖于 \(\beta_0\))。
-
构造:将子样本估计方程与矩条件 \(n^{-1}\sum_{i=1}^n h(Z_i) - \mu_0 = 0\) 通过 GMM 结合。具体地,定义增广的矩向量
\[\tilde{g}(\beta) = \begin{pmatrix} \tilde{U}(\beta) \\ \tilde{\mu} - \hat{\mu} \end{pmatrix},\]其中 \(\tilde{U}(\beta)\) 是子样本得分,\(\tilde{\mu} = r^{-1}\sum_{k=1}^r h(Z_{i_k})\) 是子样本矩,\(\hat{\mu}\) 是全量样本矩。 -
关键推导:由于 \(\hat{\mu}\) 是基于全量数据的,其方差为 \(O(n^{-1})\),远小于子样本矩 \(\tilde{\mu}\) 的方差 \(O(r^{-1})\)。因此,将 \(\tilde{\mu}\) 向 \(\hat{\mu}\) 靠拢(通过 GMM 的权重矩阵)可以显著降低估计量的方差。
-
闭式解:对 \(\tilde{g}(\beta)\) 做线性逼近(在 \(\tilde{\beta}_{uni}\) 处展开),得到
\[\tilde{\beta}_{MCox} = \tilde{\beta}_{uni} - \tilde{\Sigma}(\tilde{\beta}_{uni})^{-1} \tilde{\Omega}_{12} \tilde{\Omega}_{22}^{-1} \tilde{g}_2,\]其中 \(\tilde{g}_2 = \tilde{\mu} - \hat{\mu}\),\(\tilde{\Omega}_{12}\) 和 \(\tilde{\Omega}_{22}\) 是子样本上估计的协方差块。 -
效率结论:MCox 的渐近方差为
\[V_h = r^{-1}\Sigma_0^{-1}\left(\Omega_{11} - \Omega_{12}\Omega_{22}^{-1}\Omega_{21}\right)\Sigma_0^{-1}.\]由于 \(\Omega_{11} - \Omega_{12}\Omega_{22}^{-1}\Omega_{21} \preceq \Omega_{11} = \Sigma_0\)(矩阵减号序),所以 \(V_h \preceq V_{uni}\),即 MCox 严格优于均匀子抽样。 -
最优矩:当 \(h(Z) = \psi(Z; \beta_0)\)(即影响函数本身)时,\(\Omega_{12}\Omega_{22}^{-1}\Omega_{21} = \Sigma_0\),此时 \(V_h = n^{-1}\Sigma_0^{-1}\),恰好等于全数据偏似然估计的渐近方差。这就是 Theorem 2 的内容——最优矩函数是影响函数。
为什么这个内核是"最小"的:所有技术细节(正则条件、鞅理论、GMM 渐近理论)都可以剥掉,核心就一句话:全量数据的样本矩是"免费"的信息源,用 GMM 把它和子样本估计结合起来,可以在不增加计算复杂度的前提下,把效率提升到全数据水平。这个思想在参数模型(Su et al., 2023)中已经验证,本文的贡献是把这一思想推广到 Cox 模型,并处理了半参数模型中影响函数不可直接观测的困难。
三、这篇论文做了什么¶
三句话¶
- 研究了什么问题:在大规模生存数据下(尤其含时变协变量时),如何设计一个既计算高效又统计高效的 Cox 回归系数估计方法,使其渐近方差接近甚至达到全数据偏似然估计的水平。
- 核心工具 / 方法:将全量数据易算的样本矩信息通过 GMM 框架与子样本偏似然估计方程结合,构造闭式解形式的矩辅助子抽样估计量(MCox),并推导出最优矩函数的显式条件。
- 主要结论:MCox 估计量渐近正态,渐近方差在 Loersch 序下严格小于均匀子抽样估计量;当矩函数取影响函数时,渐近方差等于全数据偏似然估计的 \(n^{-1}\Sigma_0^{-1}\),即达到全数据效率;计算复杂度为 \(O(n + r^2\log r)\)(时变协变量),显著优于全数据方法的 \(O(n^2\log n)\)。
关键设定与假设¶
模型设定: - Cox 比例风险模型,允许时变协变量 \(X(t)\)。 - 右删失,删失时间 \(C\) 与失效时间 \(T\) 在给定协变量下条件独立。 - 全量数据 \(\{(Y_i, \Delta_i, X_i)\}_{i=1}^n\) i.i.d.。 - 子抽样为均匀 Poisson 抽样,期望子样本量为 \(r\)。
核心假设(Condition 1–4): - Condition 1(标准正则条件):协变量 \(X(t)\) 全变差有界;基线风险 \(\int_0^\tau \lambda_0(t)dt < \infty\);\(\Pr(Y \ge \tau) > 0\);信息矩阵 \(\Sigma_0\) 正定。这是 Cox 模型渐近理论的常规假设(Andersen & Gill, 1982)。 - Condition 2(矩条件):\(E\{\|h(Z)\|^2\} < \infty\) 且 \(E\{\|\psi(Z; \beta_0)\|^2\} < \infty\)。保证矩估计和影响函数的二阶矩存在。 - Condition 3(特征值条件):\(\Omega_{11}, \Omega_{22}\) 的特征值有界且远离 0;\(\Sigma_0 - \Omega_{12}\Omega_{22}^{-1}\Omega_{21}\) 正定且 \(r\sigma_{\min}(\Sigma_0 - \Omega_{12}\Omega_{22}^{-1}\Omega_{21}) \to \infty\)。后者保证 MCox 的渐近方差非退化,且 \(r\) 的增长速度只需满足 \(r \to \infty\)(无需 \(r \gg n^{1/2}\),这是相对 OSES 的放宽)。 - Condition 4(Lindeberg 条件):对 \(\zeta = \delta\psi(Z; \beta_0) - (\delta - \rho_n)\Omega_{12}\Omega_{22}^{-1}\{h(Z) - \mu_0\}\) 的标准化二阶矩满足 Lindeberg 条件。这是证明渐近正态性的技术性假设。
相比已有文献的放宽/强化: - 放宽:MCox 对 \(r\) 的增长率要求比 OSES(\(r \gg n^{1/2}\))更宽松,只需 \(r \to \infty\) 且 \(r\sigma_{\min}(\cdot) \to \infty\)。这意味着在更小的子样本量下也能保证渐近性质。 - 强化:MCox 要求矩函数 \(h\) 满足 Condition 2 的二阶矩条件,且最优矩需要影响函数的显式形式(Theorem 2),这在实际中需要估计 nuisance 参数(基线风险、协变量分布)。
主要结果¶
Theorem 1(渐近正态性):在 Condition 1–4 下,
Theorem 2(最优矩条件):\(V_h\) 在 Loewner 序下达到最小值 \(n^{-1}\Sigma_0^{-1}\) 当且仅当存在矩阵 \(M\) 使得 \(M[h(Z) - E\{h(Z)\}] = \psi(Z; \beta_0)\)。特别地,\(h(Z) = \psi(Z; \beta_0)\) 是最优选择。
证明路线: 1. 线性化:将 MCox 估计量在 \(\beta_0\) 处做 Taylor 展开,将 \(\tilde{\beta}_{MCox} - \beta_0\) 表示为影响函数的加权和加上高阶余项。 2. 鞅表示:利用 Cox 模型的鞅理论,将偏似然得分 \(\tilde{U}(\beta_0)\) 表示为鞅积分,从而可以计算其渐近方差。 3. GMM 方差公式:利用 GMM 的标准渐近理论,得到 \(\tilde{\beta}_{MCox}\) 的渐近方差表达式 \(V_h\)。 4. 矩阵不等式:利用 \(\Omega_{11} - \Omega_{12}\Omega_{22}^{-1}\Omega_{21} \preceq \Omega_{11}\) 证明 MCox 优于均匀子抽样;利用等号条件推导 Theorem 2。
关键技巧: - Poisson 抽样的去相关:利用 Poisson 抽样的性质,子样本中每个观测的包含指示 \(\delta_i\) 近似独立,从而可以简化协方差计算。 - 影响函数的显式化:将 \(\psi(Z; \beta_0)\) 写成可估计的形式(用 \(\tilde{\beta}_{uni}\) 和子样本上的经验分布替代未知量),使得最优矩可以实际操作。 - 自适应步长:MCox 的更新公式中有一个自适应系数(\(1 - \alpha\)),当初始估计 \(\tilde{\beta}_{uni}\) 偏离 \(\beta_0\) 较远时自动缩小步长,避免一步修正过度。
真实例子与应用¶
模拟研究(Section 3): - 设定:\(n = 10^7\),\(p = 5\),基线风险 \(\lambda_0(t) = 1\)(指数分布),删失率 70%。协变量分为时不变(多元 \(t\) 分布)和时变(\(X_{dep} = X_{ind} + t\epsilon\))两种情形。 - 比较方法:均匀子抽样(UNI)、Aopt(Zhang et al., 2024)、OSES(Wang et al., 2024)、MCox-OPT(用估计的最优矩)、MCox-APP(用 AFT 模型得分近似最优矩)。 - 结果: - 在时不变协变量下,MCox-OPT 和 OSES 的 MSE 比 UNI 低约 75–80%(MSE 比约为 0.2–0.25),比 Aopt 低约 40–50%。 - 在时变协变量下,MCox-OPT 的 MSE 比 OSES 低约 20–30%,且当 \(r = 100\) 时 OSES 的 MSE 甚至超过 UNI(不稳定),而 MCox 仍保持优势。 - 计算时间:MCox-APP 与 UNI 相当(约 1–2 秒),MCox-OPT 约 4 秒,OSES 约 5 秒,全数据估计约 75 秒(时不变)或 663 秒(时变)。
真实数据(Section 4): - 数据:美国国家卫生统计中心(NCHS)1989–2022 年胎儿死亡数据,\(n = 1{,}838{,}675\)(删去缺失后)。 - 模型:Cox 模型,失效时间为胎龄(周),协变量为母亲年龄(分 4 组哑变量)、胎儿性别、是否多胎、母亲种族等。年龄效应建模为时变系数(用 Legendre 多项式展开,二次趋势)。 - 结果:MCox-OPT 和 OSES 均能识别出与全数据估计一致的显著协变量,且系数估计值接近;MCox-APP 漏掉部分显著变量(因为 AFT 近似不够好)。计算时间:全数据 896.7 秒,MCox-OPT 14.4 秒,MCox-APP 2.6 秒。
例子想说明什么: - 模拟验证了理论结果:MCox 在统计效率上接近全数据估计,在计算效率上远优于全数据方法。 - 真实数据展示了实用性:在 \(n\) 接近 200 万、含时变协变量的场景下,MCox 能在十几秒内完成分析,而全数据方法需要 15 分钟。 - MCox-APP 与 MCox-OPT 的对比说明:矩函数的选择对效率有实质影响,但即使使用近似矩(AFT 得分),MCox 仍优于均匀子抽样。
🔎 结论是否比证明窄¶
Theorem 1 的证明依赖于 Condition 3(ii)(\(r\sigma_{\min}(\Sigma_0 - \Omega_{12}\Omega_{22}^{-1}\Omega_{21}) \to \infty\)),但作者在模拟中使用了 \(r = 100\) 和 \(n = 10^7\)(\(r/n = 10^{-5}\)),此时 \(\rho_n\) 极小。在 \(\rho_n \to 0\) 的极限下,\(\Omega_{12}\) 和 \(\Omega_{22}\) 中的 \((1 - r/n)\) 因子趋近于 1,但 Condition 3(ii) 是否在 \(r = 100\) 时满足取决于 \(\Sigma_0 - \Omega_{12}\Omega_{22}^{-1}\Omega_{21}\) 的最小特征值是否远离 0。作者未在模拟中报告该特征值的大小,因此定理的适用条件在模拟设定下是否严格成立,读者无法直接验证。
Theorem 2 的"当且仅当" 是在 \(h\) 的线性变换空间内讨论的。实际中 \(h_{opt} = \psi(Z; \beta_0)\) 包含未知的 \(\beta_0\) 和基线风险 \(\lambda_0\),需要用 \(\tilde{\beta}_{uni}\) 和子样本估计替代。作者在文中声称"估计的最优矩"仍达到全数据效率,但证明中并未明确处理估计 \(\psi\) 带来的额外变差(即 \(\hat{h}_{opt}\) 与 \(h_{opt}\) 的差异对 \(V_h\) 的影响)。这是一个潜在的 gap:如果 \(\hat{h}_{opt}\) 的估计误差不可忽略,\(V_h\) 可能不再等于 \(n^{-1}\Sigma_0^{-1}\)。
计算复杂度的声明:作者声称 MCox 的复杂度为 \(O(n + r^2\log r)\),但这假设了矩函数 \(h(Z)\) 的计算是 \(O(1)\) 的。对于时变协变量,若 \(h(Z)\) 涉及 \(\int_0^Y X(t)dt\) 等积分,则每个观测的计算可能不是 \(O(1)\)。作者在 Table 1 中未明确区分"矩函数计算"与"子样本估计"的复杂度,读者需自行核算。
四、开放问题¶
-
最优矩的估计误差:Theorem 2 要求 \(h = \psi(Z; \beta_0)\),但 \(\psi\) 含未知量。作者用 \(\tilde{\beta}_{uni}\) 和子样本估计替代,但未证明这种替代不改变渐近方差。要证什么:\(\hat{h}_{opt}\) 与 \(h_{opt}\) 的差异对 \(V_h\) 的影响是 \(o_p(r^{-1})\),从而 \(V_h\) 仍等于 \(n^{-1}\Sigma_0^{-1}\)。扎根于 Theorem 2 的证明(Appendix A)中"\(h\) 被替换为估计量"的步骤。
-
非均匀抽样的矩辅助:本文的 MCox 基于均匀 Poisson 抽样。若将矩辅助思想与 NSP(非均匀抽样)结合,是否能进一步降低方差?要算什么:在 NSP 下推导 MCox 的渐近方差,并与均匀抽样的 MCox 比较。扎根于 Section 2.2 中"uniform Poisson subsampling"的设定。
-
时变协变量下矩函数的计算复杂度:作者声称 MCox 的复杂度为 \(O(n + r^2\log r)\),但未明确矩函数 \(h(Z)\) 的计算成本。要算什么:对于 \(h(Z) = \int_0^Y X(t)dt\) 这类积分型矩函数,计算 \(\hat{\mu}\) 的精确复杂度,并讨论是否存在 \(O(n)\) 的近似算法。扎根于 Table 1 中"Time-dependent"行的复杂度声明。
-
自适应步长的理论性质:MCox 的更新公式中的 \((1 - \alpha)\) 因子是启发式设计的。要证什么:\(\alpha\) 的收敛速度及其对 \(V_h\) 的影响,是否存在最优的 \(\alpha\) 选择。扎根于 Section 2.4 中"adaptive step size"的讨论。
-
与其他大规模方法的比较:MCox 与分布式方法(如 Wang et al., 2021 的 DAC-Cox)在统计效率与计算效率上的理论比较尚未建立。要算什么:在相同计算预算下,MCox 与 DAC-Cox 的渐近方差之比。扎根于 Section 1 引言中对 DAC 方法的讨论。
提醒:若要确认上述某条是否为真 gap,建议去读 Cox 子抽样方向近期约 5 篇论文(如 Zhang et al., 2024; Wang et al., 2024; Keret & Gorfine, 2023; Zuo et al., 2021; Yu et al., 2022)的引言——若多条都指向同一问题,则为共识性 gap;若互相矛盾,则可能是机会。
Maintained by 陈星宇 · Homepage · Source on GitHub