Hayatta kalma analizi: sürekli ve ayrık zamanlı


20

Hayatta kalma analizinde zamanın sürekli mi yoksa ayrık mı olacağına nasıl karar vereceğim konusunda kafam karıştı. Özellikle, erkeklerin kız çocuklarının hayatta kalmasına (5 yaşına kadar) etkileri konusunda en büyük tutarsızlığa sahip çocuk ve ev düzeyinde değişkenleri belirlemek için hayatta kalma analizini kullanmak istiyorum. Çocuğun yaşayıp yaşamadığını, ölüm yaşını (ay cinsinden) ve diğer çocuk ve hane halkı değişkenlerini gösteren bir göstergeyle birlikte, çocuk yaşları (ay olarak) veri kümem var.

Zaman aylar içinde kaydedildiğinden ve tüm çocuklar 5 yaşın altında olduğundan, birçok bağlı hayatta kalma süresi vardır (genellikle yarım yıllık aralıklarla: 0mos, 6mos, 12mos, vb.). Hayatta kalma analizi hakkında okuduğum şeye dayanarak, birçok bağlı hayatta kalma süresine sahip olmak, zamana ayrı olarak davranmam gerektiğini düşündürüyor. Bununla birlikte, hayatta kalma süresinin, örneğin kişi yıllarında olduğu (ve elbette bağlı hayatta kalma sürelerinin olduğu) ve Cox orantılı tehlikeler gibi sürekli zaman yöntemlerinin kullanıldığı başka birçok çalışma okudum.

Zamanı sürekli mi yoksa ayrık mı olarak değerlendireceğime karar vermek için kullanmam gereken kriterler nelerdir? Verilerim ve sorum için, bazı sürekli zaman modeli (Cox, Weibull, vb.) Kullanmak benim için sezgisel bir anlam ifade ediyor, ancak verilerimin ayrık doğası ve bağlı hayatta kalma sürelerinin miktarı aksini gösteriyor gibi görünüyor.

Yanıtlar:


10

Hayatta kalma modelinin seçimi, altta yatan fenomen tarafından yönlendirilmelidir. Bu durumda, veriler biraz ayrı bir şekilde toplansa bile, sürekli gibi görünmektedir. 5 yıllık bir süre boyunca bir aylık bir karar yeterli olacaktır. Bununla birlikte, 6 ve 12 ayda çok sayıda bağ, gerçekten 1 aylık bir hassasiyetiniz olsun (0'da bağlar bekleniyor - bu, nispeten çok ölümün gerçekleştiği özel bir değerdir) bir merak uyandırıyor. Bu konuda ne yapabileceğinizden tam olarak emin değilim, çünkü bu büyük olasılıkla aralık sansüründen ziyade gerçek sonrası yuvarlamayı yansıtır.


2
Genel bir kural olarak, ayrık veriler on veya daha fazla bölüme ayrılabilirse, gerçekten ayrık olsa bile sürekli olarak ele alınabilir (altı ay boyunca ayda bir kez örnekleme, altı ay boyunca haftalık örneklemeden çok farklıdır veya iki yıl boyunca ayda bir kez). Aşağıdaki makalede ayrıca, ayrı verilerin sürekli olarak ele alınmasına ilişkin bazı ek bilgiler verilmektedir: theanalysisfactor.com/count-data-considered-continuous
Tavrock

4

Sürekli zaman modelleri kullanırsanız, kesin sansürün tam zamanını bilmediğinizi, sadece hatanın meydana geldiği bir aralığı yansıtan aralık sansürünü kullanmak isteyeceğinizden şüpheleniyorum. Parametrik regresyon modellerini maksimum sansür kullanarak aralıklı sansürleme ile bağlarsanız, bağlı sağkalım süreleri IIRC değildir.


4

Çoğu analizde bağlı hayatta kalma süreleri olacaktır, ancak belirli olaylardaki büyük, açık bağlar parçaları rahatsız edicidir. Çalışmanın kendisi, veri toplama vb. Hakkında uzun ve sert düşünürdüm.

Çünkü, bazı metodolojik ihtiyaçların dışında, bir zaman türünü veya diğerini kullanmanın dışında, hayatta kalmayı nasıl modellediğiniz, altta yatan sürecin dünyada ayrı veya sürekli olmasına bağlı olmalıdır.


1

Bazı bireyler için zaman içinde değişen ortak değişkenleriniz varsa (örneğin, ailenizin geliri bir çocuğun yaşamı boyunca örneğinizde değişebilir), hayatta kalma modelleri (parametrik ve cox modeli), verileri tarafından tanımlanan ayrı aralıklara ayırmanızı gerektirir. değişen değişkenler.

Alman Rodriguez'in ders notlarının bu pdf'ini yararlı buldum .

Sitemizi kullandığınızda şunları okuyup anladığınızı kabul etmiş olursunuz: Çerez Politikası ve Gizlilik Politikası.
Licensed under cc by-sa 3.0 with attribution required.