Composante de variance pour les données censuréesJe ne sais pas si cette question concerne davantage les statistiques ou la plateforme. J'apprécierai toute contribution ici !
Lorsque nous traitons des études sur les composantes de la variance, tous nos facteurs seront des facteurs aléatoires . Lorsque nous ajustons un tel modèle à l'aide de la plate-forme de modèles d'ajustement des moindres carrés standard, JMP peut nous fournir le tableau des estimations des composantes de la variance REML. Nous pouvons donc obtenir notre résultat ici (principalement le pourcentage de chaque facteur aléatoire). Cependant, lorsque nous traitons des données de censure (pour l'analyse de survie), JMP n'autorise aucun facteur aléatoire existant dans le modèle en raison de la restriction du modèle.
Ma question serait la suivante : est-ce dû à la limitation du modèle, car nous ne pouvons pas effectuer ce type d'analyse des composantes de la variance pour l'analyse de survie en supposant que tous nos facteurs seront des facteurs aléatoires (censure des données) ? Je me demande également si, pour l'analyse de survie, en particulier lorsque nous utilisons la distribution de Weibull, il existe une règle empirique selon laquelle le pourcentage d'échec (proportion de données non censurées) doit être supérieur à un certain nombre ? Comme 60 %, 70 %, etc.
Merci
Ingénierie de la qualité et des procédésRe : composant de variance pour les données censuréesMerci!Re : composant de variance pour les données censuréesComme @eclaassen souligné, il existe des méthodes / outils pour effectuer une analyse de survie avec des effets aléatoires. Vous pourriez être intéressé par cet article SUGI : Approche de modèle mixte linéaire généralisée pour les données de temps jusqu'à l'événement avec des observations censurées . Mais JMP ne propose pas de tels outils dans la version actuelle. Veuillez prêter attention à sa nouvelle plate-forme dans la prochaine version.
Outre les outils de type GLIMMIX, l'inférence bayésienne pourrait être une approche différente. Je travaille sur une nouvelle plate-forme de dégradation à mesures répétées, qui modélise des paramètres de sujet aléatoires à l'aide de l'inférence bayésienne. La plate-forme elle-même n'est pas pertinente pour ce dont vous avez besoin maintenant, bien que la technologie puisse être appliquée.
Pour votre question empirique, une préoccupation majeure est de savoir comment la censure affecte votre objectif d'analyse. Il y a deux choses à propos de la censure dont vous devrez peut-être vous soucier : combien d'observations censurées se produisent et quand (ou où) les observations censurées se produisent. Une situation inquiétante pourrait être que vous avez des données censurées à droite avec une grande quantité d'observations censurées, alors que vous êtes intéressé par la probabilité d'échec bien au-delà du temps de censure. Mais ce n'est pas inquiétant si vous vous intéressez à la probabilité de défaillance avant le temps de censure et que vous avez encore une grande quantité d'observations de défaillance, même si la proportion censurée est importante.
Dans le cas où la censure a un impact important sur vos résultats, de sorte que les résultats ont de grandes incertitudes, il faut poser des hypothèses très fortes, soit sur un modèle spécifique, soit sur un ou plusieurs paramètres.
Une méthode classique connue sous le nom de Weibayes fournit une approche utile lorsque presque toutes les observations sont censurées. En plus de cette méthode, l'inférence bayésienne est une autre approche plus complète pour gérer les données censurées lourdes. Les plates-formes JMP Life Distribution et Fit Life by X fournissent ces méthodes en conséquence.
Re : composant de variance pour les données censuréesSalut Kevin,
Je ne peux pas parler de la deuxième partie de votre question (la règle empirique) parce que je ne suis pas un expert en analyse de survie. J'espère que quelqu'un d'autre pourra vous aider là-bas!
Je peux parler un peu de la première partie. À l'heure actuelle, JMP (et JMP Pro) ne peuvent effectuer une analyse des composants de variance comme vous le mentionnez à partir des moindres carrés standard ou des personnalités mixtes dans le modèle d'ajustement que lorsque la distribution des réponses est gaussienne/normale. Malheureusement, pour l'analyse de survie, la distribution des réponses n'est pas gaussienne (qu'il s'agisse de Weibull, Exponentielle, etc.), et les options de la plate-forme de survie (Survie ou Survie paramétrique) ne permettent pas d'effets aléatoires (comme vous l'avez remarqué). Il existe des plans pour une plate-forme de modèle mixte linéaire généralisé pour JMP Pro qui pourrait permettre ce type d'analyse. La portée initiale de cette plate-forme n'inclut pas les distributions de survie, bien qu'elles soient répertoriées pour un développement futur. Les GLMM de survie sont un domaine de recherche très actif !
En attendant, je ne sais pas si vous avez accès au SAS PROC GLIMMIX. Je sais qu'il a les capacités pour ce genre d'analyse. Le livre "Generalized Linear Mixed Models: Modern Concepts, Methods and Applications" de Walter W. Stroup contient un chapitre entier consacré à l'analyse des données Time-to-Event à l'aide de PROC GLIMMIX. Cela pourrait être une référence utile pour vous.
-Élisabeth
