Componente di varianza per i dati censuratiNon sono sicuro se questa è una domanda più correlata alle statistiche o alla piattaforma. Apprezzerà qualsiasi input qui!
Quando abbiamo a che fare con studi sui componenti della varianza, tutti i nostri fattori saranno a caso fattori. Quando adattiamo un modello di questo tipo utilizzando i minimi quadrati standard nella piattaforma del modello di adattamento, JMP può fornirci la tabella Stime dei componenti della varianza REML. Quindi possiamo ottenere il nostro risultato qui (principalmente la percentuale di ciascun fattore casuale). Tuttavia, quando si tratta di censurare i dati (per l'analisi della sopravvivenza), JMP non consente alcun fattore casuale esistente nel modello a causa della restrizione del modello.
La mia domanda sarebbe se questo è dovuto alla limitazione del modello, poiché non possiamo fare questo tipo di analisi della componente della varianza per l'analisi della sopravvivenza assumendo che tutti i nostri fattori saranno a caso fattori (dati di censura)? Inoltre, mi chiedo per l'analisi della sopravvivenza, specialmente quando stiamo usando la distribuzione Weibull, c'è una regola empirica come la percentuale di fallimento (proporzione di dati non censurati) dovrebbe essere maggiore di un certo numero? tipo 60%, 70%, ecc...
Grazie
AnalisiRe: componente di varianza per dati censuratiCiao, Kevin,
Non posso parlare della seconda parte della tua domanda (la regola empirica) perché non sono un esperto di analisi di sopravvivenza. Spero che qualcun altro possa aiutarti lì!
Posso parlare un po' della prima parte. Al momento, JMP (e JMP Pro) possono eseguire solo un'analisi dei componenti della varianza come menzionato dai minimi quadrati standard o dalle personalità miste all'interno del modello di adattamento quando la distribuzione della risposta è gaussiana/normale. Sfortunatamente, per l'analisi della sopravvivenza, la distribuzione della risposta non è gaussiana (che si tratti di Weibull, Exponential, ecc.) e le opzioni della piattaforma di sopravvivenza (Survival o Parametric Survival) non consentono effetti casuali (come hai notato). Ci sono piani per una piattaforma di modello misto lineare generalizzato per JMP Pro che potrebbe consentire questo tipo di analisi. L'ambito iniziale per quella piattaforma non include le distribuzioni di sopravvivenza, sebbene siano elencate per lo sviluppo futuro. I GLMM di sopravvivenza sono un'area di ricerca molto attiva!
Nel frattempo, non so se hai accesso a SAS PROC GLIMMIX. So che ha le capacità per questo tipo di analisi. Il libro "Modelli misti lineari generalizzati: concetti moderni, metodi e applicazioni" di Walter W. Stroup ha un intero capitolo dedicato all'analisi dei dati Time-to-Event utilizzando PROC GLIMMIX. Potrebbe essere un riferimento utile per te.
-Elisabetta
Re: componente di varianza per dati censuratiCome @eclaassen sottolineato, ci sono metodi/strumenti per fare analisi di sopravvivenza con effetti casuali. Potresti essere interessato a questo articolo SUGI: Approccio del modello misto lineare generalizzato ai dati Time-to-Event con osservazioni censurate . Ma JMP non offre tali strumenti nella versione corrente. Si prega di prestare attenzione alla sua nuova piattaforma nella prossima versione.
Oltre agli strumenti di tipo GLIMMIX, l'inferenza bayesiana potrebbe essere un approccio diverso. Sto lavorando a una nuova piattaforma di Degradazione a misure ripetute, che modella i parametri dei soggetti casuali utilizzando l'inferenza bayesiana. La piattaforma in sé non è rilevante per ciò di cui hai bisogno ora, sebbene la tecnologia possa essere applicata.
Per la tua domanda empirica, una delle principali preoccupazioni è come la censura influenzi il tuo obiettivo dell'analisi. Ci sono due cose sulla censura di cui potresti aver bisogno di preoccuparti: quante osservazioni censurate si verificano e quando (o dove) si verificano osservazioni censurate. Una situazione preoccupante potrebbe essere che tu abbia dati censurati a destra con una grande quantità di osservazioni censurate, mentre sei interessato alla probabilità di fallimento ben oltre il tempo di censura. Ma non è preoccupante, se il tuo interesse è nella probabilità di fallimento prima del tempo di censura, e hai ancora una grande quantità di osservazioni di fallimento, anche se la proporzione censurata è grande.
Nel caso in cui la censura abbia un grande impatto sui tuoi risultati, quindi i risultati hanno grandi incertezze, è necessario porre ipotesi molto forti, sia su un modello specifico, sia su uno o più parametri.
Un metodo classico noto come Weibayes fornisce un approccio utile quando quasi tutte le osservazioni vengono censurate. Oltre a questo metodo, l'inferenza bayesiana è un altro approccio più completo per gestire dati censurati pesanti. Le piattaforme JMP Life Distribution e Fit Life by X forniscono questi metodi di conseguenza.
Re: Componente varianza per dati censuratiGrazie!
