Componente di varianza per i dati censuratiNon so se questa è una domanda più legata alle statistiche o alla piattaforma. Apprezzerei qualsiasi contributo qui!
Quando abbiamo a che fare con studi sui componenti di varianza, tutti i nostri fattori saranno fattori casuali . Quando adattiamo un modello del genere usando la piattaforma Standard Least Squares in fit model, JMP può fornirci la tabella REML Variance Component Estimates. Quindi possiamo ottenere il nostro risultato qui (principalmente la percentuale di ogni fattore casuale). Tuttavia, quando abbiamo a che fare con la censura dei dati (per l'analisi di sopravvivenza), JMP non consente alcun fattore casuale presente nel modello a causa della restrizione del modello.
La mia domanda è se ciò sia dovuto alla limitazione del modello, come se non potessimo fare questo tipo di analisi dei componenti di varianza per l'analisi di sopravvivenza, supponendo che tutti i nostri fattori saranno fattori casuali (censurando i dati)? Inoltre, mi chiedo per l'analisi di sopravvivenza, specialmente quando utilizziamo la distribuzione di Weibull, esiste una regola pratica come la percentuale di fallimento (proporzione di dati non censurati) che dovrebbe essere maggiore di un certo numero? Come il 60%, il 70%, ecc...
Grazie
Ingegneria della qualità e dei processiRe: Componente varianza per dati censuratiGrazie!Re: Componente varianza per dati censuratiCome @eclaassen sottolineato, ci sono metodi/strumenti per fare analisi di sopravvivenza con effetti casuali. Potrebbe interessarti 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 su una nuova piattaforma di degradazione a misure ripetute, che modella i parametri del soggetto casuali utilizzando l'inferenza bayesiana. La piattaforma stessa non è rilevante per ciò di cui hai bisogno ora, sebbene la tecnologia possa essere applicata.
Per la tua domanda sulla regola empirica, una delle principali preoccupazioni è in che modo la censura influisca sul tuo obiettivo dell'analisi. Ci sono due cose sulla censura di cui potresti doverti preoccupare: quante osservazioni censurate si verificano e quando (o dove) si verificano le osservazioni censurate. Una situazione preoccupante potrebbe essere quella di disporre di dati censurati corretti 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 di censurare il tempo e hai ancora una grande quantità di osservazioni di errore, anche se la proporzione censurata è grande.
Nel caso in cui la censura abbia un grande impatto sui risultati, quindi i risultati hanno grandi incertezze, è necessario inserire ipotesi molto forti, su un modello specifico o su uno o più parametri.
Un metodo classico noto come Weibayes fornisce un approccio utile quando quasi tutte le osservazioni sono censurate. Oltre a questo metodo, l'inferenza bayesiana è un altro approccio più completo per gestire dati pesanti censurati. Le piattaforme JMP Life Distribution e Fit Life by X forniscono questi metodi di conseguenza.
Re: Componente varianza per dati censuratiCiao, Kevin,
Non posso parlare con la seconda parte della tua domanda (la regola pratica) 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 un'analisi della componente di varianza come menzionata dai minimi quadrati standard o dalle personalità miste all'interno del modello Fit 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
