Varianzkomponente für zensierte DatenIch bin mir nicht sicher, ob dies eine Frage ist, die eher mit den Statistiken oder der Plattform zu tun hat. Freue mich über jeden Input hier!
Wenn wir es mit Varianzkomponentenstudien zu tun haben, sind alle unsere Faktoren willkürlich Faktoren. Wenn wir ein solches Modell unter Verwendung der Standard-Kleinste-Quadrate-in-Anpassungs-Modellplattform anpassen, kann uns JMP die REML-Varianzkomponenten-Schätztabelle zur Verfügung stellen. So können wir hier unser Ergebnis erhalten (hauptsächlich der Prozentsatz der einzelnen Zufallsfaktoren). Wenn es sich jedoch um Zensurdaten (für die Überlebensanalyse) handelt, lässt JMP aufgrund von Modellbeschränkungen keine im Modell vorhandenen Zufallsfaktoren zu.
Meine Frage wäre, ob dies auf die Modellbeschränkung zurückzuführen ist, da wir diese Art von Varianzkomponentenanalyse für die Überlebensanalyse nicht durchführen können, vorausgesetzt, alle unsere Faktoren sind willkürlich Faktoren (Zensurdaten)? Ich frage mich auch für die Überlebensanalyse, insbesondere wenn wir die Weibull-Verteilung verwenden. Gibt es eine Faustregel, wie der Ausfallprozentsatz (nicht zensierter Datenanteil) größer als eine bestimmte Zahl sein sollte? wie 60 %, 70 % usw...
Vielen Dank
AnalytikBetreff: Varianzkomponente für zensierte DatenHallo Kevin,
Zum zweiten Teil Ihrer Frage (der Faustregel) kann ich nicht sprechen, da ich kein Experte für Überlebensanalysen bin. Ich hoffe, da kann dir noch jemand weiterhelfen!
Ich kann ein wenig über den ersten Teil sprechen. Derzeit kann JMP (und JMP Pro) nur eine Varianzkomponentenanalyse durchführen, wie Sie von den Standard Least Squares oder Mixed Personalities innerhalb des Fit-Modells erwähnt haben, wenn die Antwortverteilung Gaussian/Normal ist. Leider ist die Antwortverteilung für die Überlebensanalyse nicht-Gaußisch (ob Weibull, Exponential usw.), und die Überlebensplattformoptionen (Überleben oder parametrisches Überleben) lassen keine zufälligen Effekte zu (wie Sie bemerkt haben). Es gibt Pläne für eine Generalized Linear Mixed Model-Plattform für JMP Pro, die diese Art von Analyse ermöglichen könnte. Der anfängliche Umfang für diese Plattform umfasst nicht die Überlebensverteilungen, obwohl sie für die zukünftige Entwicklung aufgeführt sind. Survival-GLMMs sind ein sehr aktives Forschungsgebiet!
In der Zwischenzeit weiß ich nicht, ob Sie Zugang zu SAS PROC GLIMMIX haben. Ich weiß, dass es die Fähigkeiten für diese Art von Analyse hat. Das Buch "Generalized Linear Mixed Models: Modern Concepts, Methods and Applications" von Walter W. Stroup widmet der Analyse von Time-to-Event-Daten mit PROC GLIMMIX ein ganzes Kapitel. Es könnte eine nützliche Referenz für Sie sein.
-Elisabeth
Betreff: Varianzkomponente für zensierte DatenWie @eclaassen wies darauf hin, dass es Methoden/Werkzeuge gibt, um Überlebensanalysen mit zufälligen Effekten durchzuführen. Dieses SUGI-Papier könnte Sie interessieren: Verallgemeinerter linearer gemischter Modellansatz für Zeit-bis-Ereignis-Daten mit zensierten Beobachtungen . Aber das JMP bietet solche Tools in der aktuellen Version nicht an. Bitte beachten Sie ihre neue Plattform in der kommenden Version.
Neben Werkzeugen vom Typ GLIMMIX könnte die Bayessche Inferenz ein anderer Ansatz sein. Ich arbeite an einer neuen Repeated Measure Degradation-Plattform, die zufällige Subjektparameter mit Bayes'scher Inferenz modelliert. Die Plattform selbst ist für das, was Sie jetzt benötigen, nicht relevant, obwohl die Technologie angewendet werden kann.
Bei Ihrer Frage nach der Faustregel geht es vor allem darum, wie sich die Zensur auf Ihr Analyseziel auswirkt. Es gibt zwei Dinge bei der Zensur, über die Sie sich möglicherweise Gedanken machen müssen: wie viele zensierte Beobachtungen auftreten und wann (oder wo) zensierte Beobachtungen auftreten. Eine besorgniserregende Situation könnte sein, dass Sie über richtig zensierte Daten mit einer großen Menge zensierter Beobachtungen verfügen, während Sie an der Ausfallwahrscheinlichkeit weit über die Zensurzeit hinaus interessiert sind. Aber es ist nicht besorgniserregend, wenn Ihr Interesse an der Ausfallwahrscheinlichkeit vor der Zensurzeit liegt und Sie immer noch eine große Anzahl von Ausfallbeobachtungen haben, obwohl der zensierte Anteil groß ist.
Für den Fall, dass die Zensierung einen großen Einfluss auf Ihre Ergebnisse hat, sodass die Ergebnisse große Unsicherheiten aufweisen, müssen Sie sehr starke Annahmen treffen, entweder über ein bestimmtes Modell oder über einen oder mehrere Parameter.
Eine klassische Methode namens Weibayes bietet einen nützlichen Ansatz, wenn fast alle Beobachtungen zensiert werden. Zusätzlich zu dieser Methode ist die Bayessche Inferenz ein weiterer und umfassenderer Ansatz für den Umgang mit umfangreichen zensierten Daten. Die Plattformen JMP Life Distribution und Fit Life by X bieten diese Methoden entsprechend an.
Betreff: Varianzkomponente für zensierte DatenDanke!
