Допустимая доля цензурированных наблюдений в анализе выживаемости, а что если 100%? Опции

[nokh]

Идеальные данные для анализа выживаемости - когда точно известно сколько человек прожил, например, после операции и когда умер. В этом случае цензурированных наблюдений нет. Другой крайний случай - когда все наблюдения цензурированные и дальнейшая судьба пациентов неизвестна. Например один прожил больше года, другой - больше трех. В этом случае может оказаться, что больше года - это 5, а больше трех - это 4. Поэтому, насколько я понимаю, сравнить выживаемость в двух группах где все наблюдения цензурированные невозможно в принципе. А какова допустимая доля цензурированных наблюдений в выборке? Существуют ли какие-то обоснованные или негласные правила? Полазил в и-нете, заглянул в книжки - пока ответа не нашел, хотя везде рассматриваются примеры где полные данные заметно преобладают над цензурированными. Или может считать цензурированными только точно живых на момент анализа, а всех потерявшихся считать умершими в интервале между двумя осмотрами, как прочитал в одной статье?

[DrgLena]

Плав, спасибо большое за внимание и терпение, с которым вам удается находить необходимые слова и деликатный тон общения с людьми разного уровня подготовки. Вы оказываете реальную помощь людям, которые самостоятельно пытаются разобраться в большом количестве информации в столь интересной области знаний.
Именно с формулой я и пытаюсь разобраться, вы пишете?
В модели пропорционального риска риск (hazard) каждого человека определяется как часть общей опасности:
h_i(t)/h_j(t)=exp(b1*x_i-x_j)+...).
Я же вижу в формулах из разных источников, которые я приводила, что риск для каждого человека, не часть общей опасности, а отношение его риска и базовому, т.е. к среднему в выборке по которой модель построена. И если умножить обе части на h_j(t), то это и будет его риск.
Эту ветку по кокс регрессии не я начала и интерес к ней скромный, мало кто использует этот метод анализа, но я благодаря вашим постам нашла в Statistica весьма полезный модуль, Process Analysis, с прекрасными графическими возможностями, получила и параметр формы и параметр масштаба, а также нашла лучший параметр положения (location), поскольку распределение Вейбулла ограничено слева.
Спасибо!!!

[плав]

Плав, спасибо большое за внимание и терпение, с которым вам удается находить необходимые слова и деликатный тон общения с людьми разного уровня подготовки. Вы оказываете реальную помощь людям, которые самостоятельно пытаются разобраться в большом количестве информации в столь интересной области знаний.
Именно с формулой я и пытаюсь разобраться, вы пишете?
В модели пропорционального риска риск (hazard) каждого человека определяется как часть общей опасности:
h_i(t)/h_j(t)=exp(b1*x_i-x_j)+...).
Я же вижу в формулах из разных источников, которые я приводила, что риск для каждого человека, не часть общей опасности, а отношение его риска и базовому, т.е. к среднему в выборке по которой модель построена. И если умножить обе части на h_j(t), то это и будет его риск.
Эту ветку по кокс регрессии не я начала и интерес к ней скромный, мало кто использует этот метод анализа, но я благодаря вашим постам нашла в Statistica весьма полезный модуль, Process Analysis, с прекрасными графическими возможностями, получила и параметр формы и параметр масштаба, а также нашла лучший параметр положения (location), поскольку распределение Вейбулла ограничено слева.
Спасибо!!!

Да, формула такая, как я привел. То, что обычно приводится - (h_i(t)=h(t)*...) это просто модель пропорционального риска, а не модель Кокса (как, например, модель Вейбулла). Но тогда, поскольку h(t) в правой части, надо ее описать. А для эмпирической кривой, каждое значение - отдельная точка. Соответственно для оценки h(t) будем использовать уже все точки и степеней свободы (точек, наблюдений) для оценки влияния факторов риска не будет. Альтернативой является описать функицю риска каким-то параметрическим уравнением (например, распределением Вейбулла) - у него всего два (три) параметра. Тогда останется и на оценку факторов риска. А и то и другое вместе - никак. Кокс же предложил анализ, который позволял вообще обойтись без оценки h(t), путем того, что вместо опасности анализировалось отношение опасностей, а уж h_i(t) можно было найти проанализировав влияние факторов риска и построив эмпирическую кривую (со всеми вытекающими проблемами в правой части).
А вообще-то жалко, что методом (у нас) пользуются мало - он мощный, красивый и более информативный, чем, например, логистическая регрессия (но надо иметь время до события, а при принятом у нас "ретроспективном" сборе материла...)