Componente de varianza para datos censuradosNo estoy seguro de si esta es una pregunta más relacionada con las estadísticas o la plataforma. ¡Agradeceré cualquier aporte!
Cuando trabajamos con estudios de componentes de varianza, todos nuestros factores serán factores aleatorios . Cuando ajustamos un modelo de este tipo utilizando la plataforma de modelos de ajuste de mínimos cuadrados estándar, JMP puede brindarnos la tabla de estimaciones de componentes de varianza REML. De esta manera, podemos obtener nuestro resultado aquí (principalmente el porcentaje de cada factor aleatorio). Sin embargo, cuando trabajamos con datos censurados (para análisis de supervivencia), JMP no permite que exista ningún factor aleatorio en el modelo debido a la restricción del modelo.
Mi pregunta sería si esto se debe a la limitación del modelo, ya que no podemos hacer este tipo de análisis de componentes de varianza para el análisis de supervivencia asumiendo que todos nuestros factores serán factores aleatorios (datos censurados). También me pregunto si para el análisis de supervivencia, especialmente cuando usamos la distribución de Weibull, existe una regla general, como que el porcentaje de fallas (proporción de datos no censurados) debería ser mayor que un número determinado, como 60 %, 70 %, etc.
Gracias
Ingeniería de Calidad y ProcesosRe: componente de varianza para datos censuradosHola Kevin,
No puedo responder a la segunda parte de su pregunta (la regla general) porque no soy un experto en análisis de supervivencia. ¡Espero que alguien más pueda ayudarlo allí!
Puedo hablar un poco sobre la primera parte. En este momento, JMP (y JMP Pro) solo pueden hacer un análisis de componentes de varianza como usted menciona de los mínimos cuadrados estándar o personalidades mixtas dentro del modelo de ajuste cuando la distribución de respuesta es gaussiana / normal. Desafortunadamente, para el análisis de supervivencia, la distribución de la respuesta no es gaussiana (ya sea Weibull, exponencial, etc.) y las opciones de la plataforma de supervivencia (Supervivencia o Supervivencia paramétrica) no permiten efectos aleatorios (como notó). Hay planes para una plataforma de modelo lineal mixto generalizado para JMP Pro que podría permitir este tipo de análisis. El alcance inicial de esa plataforma no incluye las distribuciones de supervivencia, aunque se enumeran para el desarrollo futuro. ¡Los GLMM de supervivencia son un área de investigación muy activa!
Mientras tanto, no sé si tiene acceso a SAS PROC GLIMMIX. Sé que tiene la capacidad para este tipo de análisis. El libro "Modelos lineales mixtos generalizados: conceptos, métodos y aplicaciones modernos" de Walter W. Stroup tiene un capítulo completo dedicado al análisis de datos de tiempo hasta el evento utilizando PROC GLIMMIX. Podría ser una referencia útil para ti.
-Elizabeth
Re: componente de varianza para datos censuradosComo @eclaassen señaló, existen métodos / herramientas para realizar análisis de supervivencia con efectos aleatorios. Puede que le interese este artículo SUGI: Enfoque de modelo lineal mixto generalizado para datos de tiempo transcurrido hasta el evento con observaciones censuradas . Pero el JMP no ofrece tales herramientas en la versión actual. Preste atención a su nueva plataforma en el próximo lanzamiento.
Además de las herramientas de tipo GLIMMIX, la inferencia bayesiana podría ser un enfoque diferente. Estoy trabajando en una nueva plataforma de degradación de medidas repetidas, que modela parámetros aleatorios del sujeto utilizando inferencia bayesiana. La plataforma en sí no es relevante para lo que necesita ahora, aunque la tecnología se puede aplicar.
Para su pregunta de regla empírica, una de las principales preocupaciones es cómo afecta la censura al objetivo del análisis. Hay dos cosas acerca de la censura de las que debe preocuparse: cuántas observaciones censuradas ocurren y cuándo (o dónde) ocurren las observaciones censuradas. Una situación preocupante puede ser que tenga datos censurados correctos con una gran cantidad de observación censurada, mientras que está interesado en la probabilidad de falla mucho más allá del tiempo de censura. Pero no es preocupante, si su interés está en la probabilidad de falla antes de censurar el tiempo, y todavía tiene una gran cantidad de observaciones de fallas, aunque la proporción censurada es grande.
En el caso de que la censura tenga un gran impacto en sus resultados, por lo que los resultados tienen grandes incertidumbres, es necesario establecer suposiciones muy sólidas, ya sea sobre un modelo específico o sobre uno o más parámetros.
Un método clásico conocido como Weibayes proporciona un enfoque útil cuando casi todas las observaciones están censuradas. Además de ese método, la inferencia bayesiana es otro enfoque más completo para manejar datos censurados pesados. Las plataformas JMP Life Distribution y Fit Life by X proporcionan estos métodos en consecuencia.
