Анализ данных типа времени жизни, некоторые практические вопросы Опции

[Игорь]

При анализе данных типа времени жизни возникает необходимость расчета дисперсии функции выживания. Она необходима для расчета ДИ.

На с. 238 книги "Эпидемиология" Власов приводит результаты, рассчитанные программой STATISTICA. Результаты вызывают сомнение (почему стандартная ошибка так растет к концу интервала - это не подтверждают расчеты). К тому же Власов дает ссылку на свою же формулу, представляющую собой просто дисперсию доли. Расчет именно по данной формуле практически не имеет ничего общего с приведенным листингом.

С другой стороны, Кокс в книге "Анализ данных типа времени жизни" на с. 53 дает формулу Гринвуда, расчет по которой просто не получается. По другой из формул (4.6, там же) результат выглядит правдоподобным, но отличается от результатов Власова.

Во-вторых, для ДИ Кокс приводит формулу, в которой фигурирует стандартное отклонение, а не стандартная ошибка. Если произвести вычисление по данной формуле, ДИ просто не получаются разумными.

Итак, вопрос. Как считать дисперсию и ДИ функции выживания?

[DrgLena]

Посмотрите внимательно ветку с началом 10.03.2008 - 07:36 , там есть ответ. Власов не достаточно "мощная" книга в этом вопросе, но и другие книги на русском языке тоже ответа не дают.

Сообщение отредактировал DrgLena - 27.01.2009 - 19:19

[Игорь]

Посмотрите внимательно ветку с началом 10.03.2008 - 07:36 , там есть ответ.

Там нет ответа, если не считать ответом констатацию факта использования метода. Таких статей у меня десятка 3 лежит - с описаниями чудесных результатов, полученных в Statistica, STATA и т.п.

... но и другие книги на русском языке тоже ответа не дают.

Спасибо. Я это понял. Потому и задал вопрос. Другие [обе?] русскоязычные книги по данному вопросу - "ударно-нажимного" действия. В смысле какую кнопку нажимать в программе Statistica, чтобы получить выглядящие правдоподобно "машинограммы". Конечно, этого достаточно для 99% читателей, кому нужно сделать формальный расчет для диссертации. Требуется же нечто иное - понимание алгоритма.

Хотя, я , наверное, несправедлив к русскоязычным монографиям на данную тему. Ибо большинство англоязычных тоже мало чем от них отличаются. Например, в книге Altman с соавт. (статья Machin с соавт.) вычислению h0 внимания не уделяется вовсе, а некоторые другие параметры вычисляются с помощью "компьютерных программ" (именно так). Подобное "научное" умозаключение доступно сделать любой домохозяйке - для этого не нужно быть не только Altman-ом, но даже Machin-ым.

Внятное пояснение, что h0 - это параметрическая аппроксимация h распределением Вейбулла или иным подходящим теоретическим (!) распределением, нашел в книге Armitage. Поэтому не совсем ясно, каким образом реализуются "стандартные условия", если оценка h0 производится на основании опытных же данных о выживаемости. Т.е. здесь не только не исключается влияние параметров конкретного пациента, а, напротив, оценка [распределения] делается (засоряется?) на основании параметров всех представленных пациентов - собственно, так и определяется вектор B параметров ковариат - как в любой регрессионной модели. Тогда непонятно, почему плав не рекомендовал использовать для прогнозирования (а только для иллюстрации) кривую выживаемости, если в основе всех полученных функций и параметров - одни и те же исходные данные, показанные с разных сторон и при различных предположениях.

К тому же может иметь ситуация, когда реальная выживаемость не аппроксимируется удовлетворительно ни одним из предлагаемых программой стандартных теоретических распределений. Довольно большая проблема положена в основу модели Кокса. Т.е. для сравнения выживаемостей и для оценки пропорционального (кстати, почему пропорционального - по-русски - относительного!) риска ее использовать можно (в первом случае за счет исключения из них h0, во втором - за счет включения данной функции в искомый относительный параметр), а вот для временного прогнозирования исхода по поводу одного пациента, как где-то в недрах форума предлагалось DrgLena - сомнительно.

Еще так понял, в модели Кокса функция h0 введена [в том числе] с целью разнести зависимость [формы кривой] от времени (h0), которая логично предполагается той же самой - "усредненной" - для всей популяции, и зависимость от ковариат (BZ) - для конкретного пациента. Тогда неясен смысл введения в модели с ковариатами, зависящими от времени, функции h0 - в ней просто нет необходимости - зависимость от времени уже учтена в члене BZ, и решение ничем не должно отличаться от обычной нелинейной множественной регрессии (например, логистической или пробит, но без порога).

Сообщение отредактировал Игорь - 28.01.2009 - 11:07