Cox orantılı tehlike regresyon analizinde X (tehlike) değişkeni her zaman zaman olmalı mı? Değilse, bir örnek verebilir misiniz, lütfen?
Kanser hastasının yaşı bir tehlike değişkeni olabilir mi? Eğer öyleyse, belirli bir yaşta kanser olma riski olarak yorumlanabilir mi? Cox regresyonu, gen ifadesi ve yaş arasındaki ilişkiyi incelemek için meşru bir analiz olabilir mi?
Yanıtlar:
Genellikle, başlangıçtaki yaş bir ortak değişken olarak kullanılır (çünkü genellikle hastalık / ölümle ilişkili olduğu için), ancak zaman ölçeğiniz olarak da kullanılabilir (bence bazı uzunlamasına çalışmalarda kullanıldığından, yeterli zaman ölçeğinde risk altında olan insanlar, ama aslında hatırlayamıyorum - kohort çalışmalarını analiz eden sürekli bir zaman ölçeği varsayarak kohort çalışmalarını analiz etme hakkındaki bu slaytları buldum ). Yorumda, olay zamanını yaşa göre değiştirmelisiniz ve tanı yaşını ortak değişken olarak dahil edebilirsiniz. Bu, belirli bir hastalığın yaşa özgü mortalitesini (bu slaytlarda gösterildiği gibi ) incelediğinizde anlamlıdır .
Belki bu makale ilginçtir, çünkü çalışma süresine karşı kronolojik yaş olmak üzere iki yaklaşımı karşılaştırmaktadır: Cox Modelinde Zaman Ölçekleri: Giriş Çağları Arasındaki Değişkenliğin Katsayı Tahminleri Üzerine Etkisi . İşte başka bir makale:
Cheung, YB, Gao, F ve Khoo, KS (2003). Kanser epidemiyolojisinde tanı yaşı ve sağkalım analiz yöntemlerinin seçimi . Klinik Epidemiyoloji Dergisi , 56 (1), 38-43.
Ama kesinlikle daha iyi makaleler var.
Hayır, her zaman zaman olmak zorunda değildir. Sansürlü yanıtların çoğu sağkalım analiz teknikleri ile modellenebilir. Anlaşmazlıklar ve Veri Analizi adlı kitabında Dennis Helsel , zamanın yerine bir konsantrasyonun negatifini kullanmayı savunuyor ( ihmal edildiğinde sağ sansürlü değerler haline gelen sapmalarla başa çıkmak için). Web üzerinde bir özet mevcuttur (pdf formatı) ve bir R paketi NADA bunu uygular.
Yaş ölçeği ve zaman ölçeği konusunda, bazı iyi referanslar vardır ve temelleri yakalar - özellikle, risk altındaki setin, uzunlamasına bir çalışmada ortaya çıkacak her yaştan yeterli denek içermesi şartı.
Sadece bu konuda henüz genel bir fikir birliği olmadığını, ancak bazı durumlarda yaşın zaman ölçeği olarak tercih edilmesi gerektiğini öne süren bazı literatürler olduğunu belirtmek isterim. Özellikle, tüm denekler için zamanın aynı şekilde birikmediği bir durum varsa, örneğin bazı toksik maddelere maruz kalma nedeniyle, yaş daha uygun olabilir.
Öte yandan, belirli bir örneği zaman ölçeğinde Cox PH modelinde, başlangıçta sabit bir eş değişken yerine, zamana göre değişen bir değişken olarak kullanabilirsiniz. Hangi zaman ölçeğinin daha uygun olduğunu anlamak için çalışma nesnenizin arkasındaki mekanizmayı düşünmeniz gerekir. Bazen yeni çalışmanızı tasarlamadan önce tutarsızlıkların ortaya çıkıp çıkmadığını ve nasıl açıklanabileceğini görmek için her iki modeli de mevcut verilere uydurmak faydalı olabilir.
Son olarak, bu ikisinin analiz edilmesindeki bariz fark, bir yaş ölçeğinde, hayatta kalma yorumunun mutlak bir ölçeğe (yaş) göre, bir zaman ölçeğinde ise çalışmanın başlangıç / giriş tarihine göreceli olmasıdır. .
OP'nin isteğine göre, mekansal bir bağlamda kullanılan hayatta kalma analizini gördüğüm bir başka uygulama da ( whuber tarafından bahsedilen çevresel maddeleri ölçmekten açıkça farklı olsa da ) uzaydaki olaylar arasındaki mesafeyi modelliyor. Kriminolojide bir örnek ve burada epidemiyolojide bir örnek var .
Olaylar arasındaki mesafeyi ölçmek için hayatta kalma analizini kullanmanın ardındaki mantık, bir sansürleme meselesi değildir (sansür kesinlikle mekansal bir bağlamda gerçekleşebilse de), daha çok olay karakteristikleri ve olaylar arasındaki mesafe arasındaki benzer dağılımlardan dolayıdır. karakteristikleri (yani her ikisi de OLS'yi ihlal eden benzer tipte hata yapılarına (sıklıkla mesafe bozulmasına sahiptir) sahiptir ve bu nedenle parametrik olmayan çözümler her ikisi için de idealdir).
Zayıf alıntı uygulamalarım nedeniyle, yukarıdaki bağlantıya doğru bağlantıyı / referansı bulmak için harcamak ve saat harcamak zorunda kaldım.
Kriminolojideki örnek için,
Kikuchi, George, Mamoru Amemiya, Tomonori Saito, Takahito Shimada ve Yutaka Harada. 2010. Japonya'da neredeyse tekrar mağduriyetin Spatio-Temporal analizi . Ulusal Suç Haritalama Konferansı. Jill Dando Suç Bilimi Enstitüsü. PDF şu anda referans verilen web sayfasında mevcuttur.
Epidemiyolojide,
Okuyucu, Steven. 2000. Coğrafi epidemiyolojide uzamsal nokta örüntülerini incelemek için hayatta kalma analizini kullanmak. Sosyal Bilimler ve Tıp 50 (7-8): 985-1000.