生存分析：參數分佈比較你好JMP社區，
我目前正在分析實驗中的數據，其中果蠅暴露於4劑殺蟲劑和溶劑對照。此外，我正在比較不同蠅種群之間的死亡率反應。我有根據組織的數據生存統計：籠養死亡率我一直在使用非參數方法來比較一組內和組間使用Log Rank和Kaplan Meier的劑量之間的比較，但我感興趣的是可能進行參數化建模以查看每個劑量的每個群體的半數致死時間。順便說一句，我一直在對數據集進行其他GLM概率工作（格式不同）並且已經看到了人口x劑量交互術語的顯著影響，這使我對使用參數可以更有信心，我可以在其中包含交互項。
我一直在閱讀，我需要看看哪個分佈最適合數據集，並且一直在分析Life Distribution JMP功能中查看分佈。根據我所讀到的，使用最低的AICc，Lognormal最適合三者。 我知道“所有模型都是錯誤的，但有些模型是有用的”的經典格言，並且它基於我收集的數據的完整性，但我很好奇模型何時足以被解釋。下圖顯示了生命分佈模型比較中的總數據集（沒有隔離）。也許我應該看看每個人口和治療的分佈情況？我的目標再次是為每個劑量的每個群體獲得最準確的半數致死時間。
還在同一數據集上使用對數秩（非參數）和參數測試，禁止否？我不熟悉參數分佈比較，但我確信我可以使用類似比例測試來達到類似的效果。
Re：生存分析：參數分佈比較是的，具有最小AICc的模型被判斷為基於數據樣本提供的經驗證據的最佳模型。您也可以考慮先前的證據和理論發現，以便緩和您的決定。
AICc在最佳模型和任何其他模型之間的差異可以讓您了解對其他模型的支持。如果差異小於4，則另一個模型具有實質性支持。如果差異在4到7之間，那麼另一個模型的支持要少得多。最後，如果差異大於10，那麼另一個模型基本上沒有支持。您案例中最小的AICc差異大約為300，因此僅基於此證據，Lognormal模型是比較中的最佳模型。
您可以使用AICc來比較不同類型的模型（例如，線性模型與神經網絡模型），因為AICc對於每個模型都是有意義的，並且針對相同的數據集計算標準。
您現在可以通過“擬合模型”對話框使用“參數生存”模型。選擇lognormal作為錯誤分佈並添加五級處理（殺蟲劑）。如果可能，我建議您使用連續變量表示這些級別以獲取更多信息。線性預測器可以包括殺蟲劑的轉換，例如功率，以解決非線性響應。那個模型將讓你的LRT繼續！
