📊 statistics

From Risk Sets to Martingales: A Counting-Process Framework for Event-History Learning

Dit artikel stelt een verenigd framework voor het leren van gebeurtenisgeschiedenissen vast, gebaseerd op telling-procesnotatie en martingaaltheorie, dat diverse problemen met gecensureerde, recurrente en multistate-data vertaalt naar vijf terugkerende wiskundige objecten, waardoor gemeenschappelijke computationele algoritmen, theoretische bewijstemplates en een gedeelde taal worden geboden voor het afleiden en vergelijken van klassieke en machine learning-overlevingsmethoden.

Oorspronkelijke auteurs: Eliuvish Han Cui

Gepubliceerd 2026-06-23

📖 6 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Eliuvish Han Cui

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat je probeert te voorspellen wanneer een gloeilamp doorbrandt, of wanneer een patiënt terugvalt na een behandeling. In de echte wereld krijg je zelden de exacte het moment te zien waarop de "gebeurtenis" plaatsvindt. Soms werkt de gloeilamp nog steeds wanneer je stopt met kijken (censurering). Soms controleer je de lamp slechts één keer per week en weet je dat hij ergens tussen dinsdag en vrijdag kapot is gegaan (intervallicensurering). Soms wordt een patiënt ziek, wordt beter, wordt weer ziek, en overlijdt dan (multistate).

Dit artikel is in essentie een universele vertaler en een bouwkit voor het omgaan met al deze rommelige, onvolledige tijdlijnen. De auteur, Elvis Han Cui, betoogt dat we, in plaats van elk type overlevingsdata als een uniek, verwarrend probleem te behandelen, ze allemaal kunnen bekijken door middel van één enkele, krachtige wiskundige lens genaamd het Counting-Process Framework.

Hier is de uitsplitsing van de ideeën uit het artikel met behulp van alledaagse analogieën:

1. Het Kernidee: De "Risk Set" en de "Verrassing"

Het artikel begint met een eenvoudige vergelijking: $dN(t) = Y(t)\alpha(t)dt + dM(t)$ .
Dit kun je zien als een recept voor het voorspellen van de toekomst:

$Y(t)$ (De Risk Set): Dit is de menigte mensen of dingen die momenteel "in het spel" zijn. Als je gloeilampen bestudeert, is $Y(t)$ het aantal lampen dat nog aan is. Als een lamp doorbrandt of je stopt met kijken, verlaat deze de menigte.
$\alpha(t)$ (De Hazard): Dit is de "onmiddellijke druk" of het risico op falen op dit exacte moment.
$dN(t)$ (De Sprong): Dit is de eigenlijke gebeurtenis die plaatsvindt (een lamp die doorbrandt, een patiënt die terugvalt).
$dM(t)$ (De Martingale/Verrassing): Dit is het belangrijkste deel. Het vertegenwoordigt het onverwachte. Zelfs als je de grootte van de menigte en het risico kent, kun je niet precies voorspellen wanneer de volgende lamp zal doorbranden. De "Martingale" is de wiskundige manier om te zeggen: "Het verschil tussen wat we verwachtten dat er zou gebeuren en wat er daadwerkelijk gebeurde, is slechts willekeurige ruis."

De hoofdbetoging van het artikel is dat als je de voorspelbare menigte kunt scheiden van de willekeurige verrassing, je een verenigd systeem kunt bouwen om bijna elk type tijd-tot-gebeurtenis data te analyseren.

2. De Vijf Bouwstenen

In plaats van honderden verschillende formules te memoriseren voor verschillende scenario's, zegt het artikel dat elk probleem kan worden afgebroken in vijf terugkerende objecten:

Risk Process: Wie is er nog in het spel?
Jump Process: Wanneer vond de gebeurtenis daadwerkelijk plaats?
Compensator: Wat verwachtten we dat er zou gebeuren op basis van de regels?
Estimating Equation: Het wiskundige instrument dat wordt gebruikt om het antwoord te vinden.
Limiting Argument: Het bewijs dat het antwoord beter wordt naarmate je meer data verzamelt.

3. Wat dit Framework kan doen

Het artikel laat zien hoe dit enkele framework een grote verscheidenheid aan complexe situaties afhandelt, door ze allemaal naar dezelfde taal te vertalen:

Standaard Overleving (Rechts-gecensureerd): De klassieke "Kaplan-Meier"-curve. Stel je een rij hardlopers voor. Sommigen vallen uit (gecensureerd) voordat ze de finishlijn bereiken. Het framework berekent de kans op het voltooien door te kijken naar wie er op elk moment nog aan het hardlopen is.
Meerdere Staten (Multistate): Stel je een patiënt voor die van "Gezond" $\to$ "Ziek" $\to$ "Dood" gaat, of van "Gezond" $\to$ "Dood" direct. Het artikel gebruikt een productintegraal (zoals het vermenigvuldigen van een reeks kleine kansen) om de kans te volgen om zich op een specifieke tijd in een bepaalde staat te bevinden. Het is als een flowchart waarbij je de kansen vermenigvuldigt om elke mogelijke route te nemen.
Recurrente Gebeurtenissen: Wat als een patiënt ziek wordt, beter wordt, en weer ziek wordt? Het framework telt elke "sprong" (ziekte) zolang de patiënt nog in de risk set zit.
Intervallischensurering: Stel je voor dat je slechts op maandagen en woensdagen de gezondheid van een patiënt controleert. Als iemand op woensdag ziek is maar op maandag gezond, weet je dat de gebeurtenis daartussen heeft plaatsgevonden, maar niet precies wanneer. Het artikel gebruikt een "zelfconsistentie"-algoritme (zoals een EM-algoritme) om de waarschijnlijkheidsmassa over de mogelijke tijdsintervallen te herverdelen totdat het de beste fit vindt.
Causale Inferentie (Instrumentele Variabelen): Soms wordt een behandeling (zoals een medicijn) gegeven aan zieker patiënten, waardoor het lijkt alsof het medicijn slecht is. Om dit op te lossen, gebruikt het artikel "Instrumentele Variabelen" (zoals een genetische marker of een willekeurige voorkeur van een arts) om het werkelijke causale effect te isoleren, waardoor het effect van het medicijn wordt gescheiden van de onderliggende gezondheid van de patiënt.

4. De "Cross-Fitted" Innovatie

Een van de nieuwe bijdragen van het artikel is een methode voor het valideren van moderne machine learning-modellen (zoals neurale netwerken) die worden gebruikt voor overlevingsdata.

Het Probleem: Als je een model traint op een dataset en test op dezelfde data, kan het model simpelweg de antwoorden uit het hoofd leren (overfitting).
De Oplossing: Het artikel stelt een "cross-fitted" benadering voor. Je traint het model op 90% van de data en test het op de resterende 10%.
De Magie: Het artikel bewijst een nieuwe wiskundige identiteit: als je model goed is, moet de "verrassing" (martingaal-residuen) in de testgroep eruitzien als willekeurige ruis. Als je model slecht is, zal de "verrassing" een patroon vertonen. Dit geeft een rigoureuze manier om te controleren of een complex AI-model daadwerkelijk de gebeurtenishistorie leert of alleen maar gokt.

5. Waarom dit ertoe doet

Het artikel somt niet alleen oude methoden op; het biedt een gemeenschappelijke taal.

Voor Wiskundigen: Het biedt "bewijs-templates". In plaats van voor elke nieuwe type data een nieuw theorema vanaf nul te bewijzen, kun je je probleem in deze vijf bouwstenen plaatsen en de bestaande bewijzen gebruiken.
Voor Data Scientists: Het verandert complexe overlevingsanalyse in herbruikbare algoritmen. Of je nu gloeilampen, historische diensttijden op kantoor of patiëntterugvallen analyseert, de "risk-set sweep" (Algoritme 1) is hetzelfde.
Voor Iedereen: Het verenigt het vakgebied. Of je nu een eenvoudige "Log-Rank test" uitvoert om twee groepen te vergelijken of een complex "Bayesiaans non-parametrisch" model voor multistate-transities, ze zijn allemaal verschillende manieren om de Risk Set en de Verrassing te beheren.

Samenvatting

Beschouw dit artikel als een universele adapter voor tijd-tot-gebeurtenis data. Of je data nu rommelig is, onvolledig, meerdere staten heeft of causale vragen bevat, de auteur laat zien dat je de complexiteit kunt strippen en naar de kernmechanica kunt kijken: Wie loopt er risico? Wat verwachtten we? Wat is er daadwerkelijk gebeurd? En was het verschil slechts willekeurige ruis? Door deze vragen consistent te beantwoorden, kunnen we elke methode voor het analyseren van gebeurtenishistorie afleiden, controleren en vergelijken.

Technische Samenvatting: Van Risicosets naar Martingalen: Een Counting-Process Framework voor Event-History Learning

Probleemstelling

Survival- en event-history-data zijn inherent gefilterde observaties in plaats van volledige responsvariabelen. Op elk tijdstip $t$ observeert de analist de geaccumuleerde historie (risicosets, covariaten, eerdere toestanden), maar observeert alleen de event-jump wanneer deze plaatsvindt. Deze temporele asymmetrie compliceert de analyse van gecensureerde, getrunceerde, recurrente, multistate en covariaat-afhankelijke data. Hoewel er talrijke specifieke methoden bestaan (bijv. Kaplan–Meier, Cox-regressie, Fine–Gray), is er behoefte aan een verenigd framework dat voorspelbare risicoset-informatie scheidt van geobserveerde event-jumps om de afleiding, controle en vergelijking van zowel klassieke als machine-learning methoden voor event-history-data te faciliteren.

Methodologie

Het artikel stelt een verenigd framework vast op basis van de counting-process notatie en de multiplicatieve-intensiteit representatie:
$dN(t) = Y(t)\alpha(t)dt + dM(t)$
waarbij:

$N(t)$ het jump-proces is (geobserveerde event-telling).
$Y(t)$ het voorspelbare risicoproces is (aantal onder risico).
$\alpha(t)$ de intensiteitsfunctie is.
$Y(t)\alpha(t)dt$ de compensator-increment is.
$dM(t)$ de martingale-innovatie is.

In plaats van specifieke survival-methoden te catalogiseren, vertaalt het framework elk gedeeltelijk geobserveerd leerprobleem naar vijf terugkerende objecten:

Risicoproces: De voorspelbare verzameling subjecten die in aanmerking komen voor een event.
Jump-proces: De geobserveerde event-incrementen.
Compensator: Het voorspelbare intensiteitsmodel.
Schattingsvergelijking: Afgeleid van martingale-eigenschappen of likelihoods.
Limietargument: De asymptotische rechtvaardiging (bijv. martingale centrale limietstellingen).

Het framework past dit systematisch toe op vier domeinen:

Niet-parametrische schatting: Het afleiden van Nelson–Aalen (cumulatieve hazard), Kaplan–Meier (overleving), Aalen–Johansen (multistate), Dabrowska (bivariaat) en Turnbull (interval-gecensureerde) schatters als product-integraal updates of likelihood-maximalisaties.
Hypothese-toetsing: Het formuleren van log-rank en gewogen toetsen als martingale risicoset-contrasten, uitgebreid naar gestratificeerde, crossing-hazard en competing-risk scenario's.
Regressiemodellering: Het verenigen van Cox–Andersen–Gill (multiplicatief), Aalen (additief), transformatie/AFT, en semi-Markov modellen. Het behandelt expliciet duur-afhankelijkheid door onderscheid te maken tussen kalendertijd en de verstreken verblijftijd (sojourn time).
Causale Inferentie: Het aanpassen van instrumentele variabele (IV) methoden (bijv. G-estimation, structurele Cox-modellen) aan gecensureerde uitkomsten door causale moment-restricties te combineren met counting-process schattingsvergelijkingen.

Het framework integreert ook moderne machine learning door flexibele leerders (random forests, neurale netwerken) in deze structuur te mappen, waarbij specifiek wordt ingegaan op cross-fitted validatie voor gecensureerde data.

Belangrijkste Bijdragen

1. Computationele Unificatie

Het artikel zet diverse computationele taken om in herbruikbare algoritmen en simulatie-diagnostiek:

Risicoset-sweeps: Een verenigd algoritme (Algoritme 1) voor Nelson–Aalen, Kaplan–Meier, log-rank en Cox score berekeningen.
Product-integraal updates: Algoritmen voor multistate transities (Aalen–Johansen) en semi-Markov elapsed-time boekhouding.
Interval-likelihoods: De Turnbull zelfconsistentie/EM-ICM blauwdruk voor interval-gecensureerde data.
Cross-fitted validatie: Een wrapper (Algoritme 4) voor het toepassen van moderne leerders op gecensureerde data, terwijl de voorspelbare risicoset en filtratie worden gerespecteerd.

2. Theoretische Bijdragen

Bewijs-templates: Het artikel biedt een gestandaardiseerde structuur voor het bewijzen van consistentie, asymptotische normaliteit en variantieschatting voor een brede klasse van schatters met behulp van martingale-decompositie en functionele delta-methoden.
Nieuwe Theoretische Resultaat (Theorem 27): Het artikel bewijst een nieuwe out-of-fold compensator validatie-identiteit voor cross-fitted gecensureerde leerders. Het stelt vast dat, geconditioneerd op de trainingsfolds, de validatie-fold residuele scores martingale-gecentreerd zijn dan en slechts dan als de geleerde intensiteit gekalibreerd is in een gewogen geïntegreerde-intensiteit zin. Dit interpreteert cross-fitting als een filtratie-eis: validatie-voorspellingen mogen afhankelijk zijn van de trainingsdata en de historie vóór $t$ , maar niet van toekomstige validatie-jumps.

3. Toepassingsmapping

Het framework mapt diverse domeinen—biomedisch, betrouwbaarheid, operationeel, economisch, financieel, literair, historisch en causaal survival—op dezelfde risicoset en compensator taal. Dit maakt een gemeenschappelijke wiskundige taal mogelijk om methoden over deze velden te afleiden en te vergelijken.

Resultaten en Scope

Het artikel presenteert geen nieuwe empirische data, maar een theoretische en algoritmische synthese. De "resultaten" zijn de succesvolle unificatie van:

Schatters: Van eenvoudige rechts-gecensureerde curves tot complexe bivariate interval-gecensureerde oppervlakten en multistate transitie-waarschijnlijkheden.
Toetsen: Van standaard log-rank toetsen tot adaptieve, gewogen en competing-risk vergelijkingen.
Modellen: Van parametrisch (Weibull, Gompertz) tot semiparametrisch (Cox, Aalen) en volledig niet-parametrisch (Beran, Turnbull) modellen.
Causale Methoden: Structurele Cox en additive-risk IV modellen die endogeniteit in time-to-event uitkomsten afhandelen.

Het artikel demonstreert dat de counting-process decompositie $dN = Y\alpha dt + dM$ dient als de "gemeenschappelijke analytische basis" voor al deze methoden. Het toont aan dat de Nelson–Aalen schatter de prototype is voor cumulatieve hazard schatting, de Kaplan–Meier schatter een product-integraal transformatie daarvan is, en de Aalen–Johansen schatter de multistate extensie is van dezelfde logica.

Betekenis en Claims

Het artikel claimt een gemeenschappelijke wiskundige taal te bieden voor het afleiden, controleren en vergelijken van klassieke en machine-learning methoden voor gecensureerde, recurrente en multistate event-history data.

Voor Klassieke Analyse: Het biedt bewijs-templates die de terugkerende martingale, likelihood en product-integraal argumenten verhelderen, waardoor de afleiding van nieuwe schatters systematischer wordt.
Voor Moderne Learning: Het adresseert de integratie van flexibele machine learning modellen (bijv. neurale netwerken, random forests) met de strikte vereisten voor gecensureerde data inferentie. Specifiek biedt het de theoretische rechtvaardiging (Theorem 27) voor het gebruik van cross-fitting in survival settings, waarbij wordt gegarandeerd dat validatie-residuen zich als martingalen gedragen alleen wanneer het model correct gekalibreerd is.
Voor Causale Inferentie: Het overbrugt de kloof tussen instrumentele variabele theorie en survival analyse, door te laten zien hoe valide G-estimators en structurele modellen kunnen worden geconstrueerd die de filtratie van gecensureerde data respecteren.

De auteurs positioneren dit werk niet als een catalogus van benoemde methoden, maar als een organiserend framework waar de "risicoset, het censuratiemechanisme en de filtratie-restricties" expliciet worden gemaakt voor elk leerprobleem. Het uiteindelijke doel is om de transfer van methoden tussen domeinen (bijv. van klinische trials naar reliability engineering) te vergemakkelijken door te garanderen dat zij dezelfde onderliggende stochastische structuur delen.