考虑了已有文献对Cox模型的超高维变量选择与参数估计问题的研究方法,并且了解到已有的变量选择研究方法存在不能有效地识别出某些重要的活动预测因子的问题。因此,本文提出在超高维协变量下采用可加Cox模型进行特征筛选,这是由于可加Cox模型在生存分析中有较强的建模能力及灵活性,同时可加Cox模型中的可加性还能解决Cox模型所不能解决的非线性问题。本文所研究的超高维可加Cox模型的特征筛选大致分如下两阶段进行变量选择与参数估计:第一阶段,基于可加Cox模型的对数偏似然及其前两阶导数,对对数偏似然进行Taylor展开并得其近似值,并通过硬阈法则得最大化近似对数偏似然解,从而得第一阶段粗糙选出的8)8)个变量;第二阶段,对可加Cox模型通过采用B样条展开来逼近对数偏似然,同时并运用所提出的具有上升属性的有效的特征筛选算法来求解模型,进而可有效地识别某些重要的活动预测因子。通过以上两阶段特征筛选方法可以有效地完成整个变量选择和参数估计。另外,在某些正则条件下,本文还证明了所提的特征筛选方法有确定的筛选性质。也就是说,所选择的变量集合以概率趋向于1渐近地包含实际的活动预测因子。最后,通过Monte Carlo模拟结果来说明所提方法的有限样本表现,同时还会通过实际的数据实例的随机模拟结果来解释说明所提方法的有效性。