生存分析：参数分布比较你好JMP社区，
我目前正在分析实验中的数据，其中果蝇暴露于4剂杀虫剂和溶剂对照。此外，我正在比较不同蝇种群之间的死亡率反应。我有根据组织的数据生存统计：笼养死亡率我一直在使用非参数方法来比较一组内和组间使用Log Rank和Kaplan Meier的剂量之间的比较，但我感兴趣的是可能进行参数化建模以查看每个剂量的每个群体的半数致死时间。顺便说一句，我一直在对数据集进行其他GLM概率工作（格式不同）并且已经看到了人口x剂量交互术语的显着影响，这使我对使用参数可以更有信心，我可以在其中包含交互项。
我一直在阅读，我需要看看哪个分布最适合数据集，并且一直在分析Life Distribution JMP功能中查看分布。根据我所读到的，使用最低的AICc，Lognormal最适合三者。 我知道“所有模型都是错误的，但有些模型是有用的”的经典格言，并且它基于我收集的数据的完整性，但我很好奇模型何时足以被解释。下图显示了生命分布模型比较中的总数据集（没有隔离）。也许我应该看看每个人口和治疗的分布情况？我的目标再次是为每个剂量的每个群体获得最准确的半数致死时间。
还在同一数据集上使用对数秩（非参数）和参数测试，禁止否？我不熟悉参数分布比较，但我确信我可以使用类似比例测试来达到类似的效果。
Re：生存分析：参数分布比较是的，具有最小AICc的模型被判断为基于数据样本提供的经验证据的最佳模型。您也可以考虑先前的证据和理论发现，以便缓和您的决定。
AICc在最佳模型和任何其他模型之间的差异可以让您了解对其他模型的支持。如果差异小于4，则另一个模型具有实质性支持。如果差异在4到7之间，那么另一个模型的支持要少得多。最后，如果差异大于10，那么另一个模型基本上没有支持。您案例中最小的AICc差异大约为300，因此仅基于此证据，Lognormal模型是比较中的最佳模型。
您可以使用AICc来比较不同类型的模型（例如，线性模型与神经网络模型），因为AICc对于每个模型都是有意义的，并且针对相同的数据集计算标准。
您现在可以通过“拟合模型”对话框使用“参数生存”模型。选择lognormal作为错误分布并添加五级处理（杀虫剂）。如果可能，我建议您使用连续变量表示这些级别以获取更多信息。线性预测器可以包括杀虫剂的转换，例如功率，以解决非线性响应。那个模型将让你的LRT继续！
