Varianzkomponente für zensierte DatenIch bin mir nicht sicher, ob diese Frage eher mit den Statistiken oder der Plattform zusammenhängt. Ich freue mich über jeden Input!
Wenn wir uns mit Varianzkomponentenstudien befassen, sind alle unsere Faktoren Zufallsfaktoren . Wenn wir ein solches Modell mithilfe der Standardmethode „Kleinste Quadrate“ in der Anpassungsmodellplattform anpassen, kann JMP uns die REML-Tabelle mit Varianzkomponentenschätzungen bereitstellen. So können wir hier unser Ergebnis erhalten (hauptsächlich den Prozentsatz jedes Zufallsfaktors). Wenn wir jedoch mit zensierten Daten (für die Überlebensanalyse) arbeiten, lässt JMP aufgrund von Modellbeschränkungen keine Zufallsfaktoren im Modell zu.
Meine Frage wäre, ob dies an der Modellbeschränkung liegt, da wir diese Art der Varianzkomponentenanalyse nicht für die Überlebensanalyse durchführen können, wenn wir davon ausgehen, dass alle unsere Faktoren Zufallsfaktoren sind (Zensur der Daten)? Außerdem frage ich mich, ob es für die Überlebensanalyse, insbesondere wenn wir die Weibull-Verteilung verwenden, eine Faustregel gibt, dass der Ausfallprozentsatz (Anteil der nicht zensierten Daten) größer als eine bestimmte Zahl sein sollte? Wie 60 %, 70 % usw. …
Danke
Qualitäts- und ProzesstechnikBetreff: Varianzkomponente für zensierte DatenDanke!Betreff: Varianzkomponente für zensierte DatenAls @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 Time-to-Event-Daten mit zensierten Beobachtungen . Aber der JMP bietet solche Tools in der aktuellen Version nicht an. Bitte achten Sie in der kommenden Version auf ihre neue Plattform.
Neben Werkzeugen vom Typ GLIMMIX könnte Bayes'sche Inferenz ein anderer Ansatz sein. Ich arbeite an einer neuen Repeated Measure Degradation-Plattform, die zufällige Subjektparameter mithilfe von Bayes'scher Inferenz modelliert. Die Plattform selbst ist für das, was Sie jetzt benötigen, nicht relevant, obwohl die Technologie angewendet werden kann.
Bei Ihrer Faustregelfrage ist ein Hauptanliegen, wie sich die Zensur auf Ihr Ziel der Analyse 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 stattfinden. Eine besorgniserregende Situation könnte sein, dass Sie rechtszensierte Daten mit einer großen Menge zensierter Beobachtungen haben, 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 Menge an Ausfallbeobachtungen haben, obwohl der zensierte Anteil groß ist.
Für den Fall, dass die Zensur einen großen Einfluss auf Ihre Ergebnisse hat und 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 Bayes'sche Inferenz ein weiterer und umfassenderer Ansatz zum Umgang mit stark zensierten Daten. Die Plattformen JMP Life Distribution und Fit Life by X bieten diese Methoden entsprechend an.
Betreff: Varianzkomponente für zensierte DatenHallo Kevin,
Zum zweiten Teil Ihrer Frage (der Faustregel) kann ich nichts sagen, da ich kein Experte für Überlebensanalysen bin. Ich hoffe jemand anderes kann dir da weiterhelfen!
Ich kann ein wenig über den ersten Teil sprechen. Derzeit kann JMP (und JMP Pro) nur eine Varianzkomponentenanalyse, wie Sie sie erwähnt haben, aus den Standard-Least-Squares- oder Mixed-Persönlichkeiten innerhalb des Anpassungsmodells durchführen, wenn die Antwortverteilung Gaußsch/normal ist. Leider ist die Antwortverteilung für die Überlebensanalyse nicht Gaußsch (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 Survival-Distributionen, obwohl sie für die zukünftige Entwicklung aufgeführt sind. Überlebens-GLMMs sind ein sehr aktives Forschungsgebiet!
In der Zwischenzeit weiß ich nicht, ob Sie Zugriff auf 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 enthält ein ganzes Kapitel, das der Analyse von Time-to-Event-Daten mit PROC GLIMMIX gewidmet ist. Es könnte eine nützliche Referenz für Sie sein.
-Elisabeth
