การวิเคราะห์การอยู่รอดแบบเบย์: โปรดเขียนก่อนสำหรับ Kaplan Meier!


20

พิจารณาข้อสังเกตขวาตรวจสอบกับเหตุการณ์ที่เกิดขึ้นครั้ง ... จำนวนบุคคลที่อ่อนแอในช่วงเวลาที่ฉันเป็นn ฉันและจำนวนของเหตุการณ์ที่เกิดขึ้นในเวลาที่ฉันเป็นdฉันt1,t2,iniidi

Kaplan-Meier หรือประมาณการผลิตภัณฑ์ที่เกิดขึ้นตามธรรมชาติเป็น MLE เมื่อฟังก์ชั่นการอยู่รอดเป็นฟังก์ชั่นขั้นตอนฉัน ความน่าจะเป็นแล้ว L ( α ) = Πฉัน ( 1 - α ฉัน) d ฉัน α n ฉัน - d ฉันฉัน และ MLE คือαฉัน = 1 - d ฉันS(t)=i:ti<tαi

L(α)=i(1αi)diαinidi
ฉันα^i=1dini

ตกลงตอนนี้สมมติว่าฉันต้องการไปที่ Bayesian ฉันต้องการ `` ธรรมชาติ '' ก่อนหน้านี้ซึ่งฉันจะคูณใช่ไหม?L(α)

Googling คำหลักที่ชัดเจนฉันพบว่ากระบวนการ Dirichlet เป็นสิ่งที่ดีมาก่อน แต่เท่าที่ผมเข้าใจก็ยังเป็นก่อนในจุดที่ไม่ต่อเนื่อง ?ti

นี่เป็นเรื่องที่น่าสนใจมากและฉันกระตือรือร้นที่จะเรียนรู้เกี่ยวกับมันอย่างไรก็ตามฉันจะจัดการกับสิ่งที่ง่ายกว่า ฉันเริ่มสงสัยว่ามันไม่ง่ายอย่างที่ฉันคิดไว้ก่อนและถึงเวลาที่จะขอคำแนะนำจากคุณ ...

ขอบคุณมากล่วงหน้า!

PS: ความแม่นยำเพียงเล็กน้อยเกี่ยวกับสิ่งที่ฉันหวังว่าฉันสนใจ (อธิบายง่ายที่สุด) คำอธิบายเกี่ยวกับวิธีจัดการกับกระบวนการ Dirichlet มาก่อน แต่ฉันคิดว่ามันควรจะเป็นไปได้ที่จะใช้ก่อนหน้า - นั่นคือ ก่อนขั้นตอนในการทำงานที่มีความต่อเนื่องในทีฉันαiti

ฉันคิดว่า "รูปร่างทั่วโลก" ของฟังก์ชั่นขั้นตอนตัวอย่างก่อนหน้านี้ไม่ควรขึ้นอยู่กับ - ควรจะมีตระกูลพื้นฐานของฟังก์ชั่นต่อเนื่องซึ่งประมาณโดยฟังก์ชั่นขั้นตอนเหล่านี้ti

ฉันไม่รู้ว่าควรเป็นอิสระหรือไม่ (ฉันสงสัย) ถ้าเป็นฉันคิดว่านี่หมายถึงว่าα iก่อนหน้านั้นขึ้นอยู่กับΔ t i = t i - t i - 1และถ้าเราแสดงการกระจายของมันโดยA ( Δ t )ผลิตภัณฑ์ของตัวแปรA ( Δ 1 )โดยตัวแปรA ( Δ 2 )อิสระคือA ( Δ 1 + Δ 2 )αiαiΔti=titi1A(Δt)A(Δ1)A(Δ2)A(Δ1+Δ2)ตัวแปร. มันดูเหมือนว่านี่ log- ตัวแปรจะมีประโยชน์Γ

แต่ที่นี่โดยทั่วไปฉันติดอยู่ ฉันไม่ได้พิมพ์สิ่งนี้ในตอนแรกเพราะฉันไม่ต้องการที่จะตอบคำตอบทั้งหมดในทิศทางนี้ ฉันยินดีเป็นอย่างยิ่งที่จะได้รับคำตอบด้วยการอ้างอิงบรรณานุกรมเพื่อช่วยให้ฉันพิสูจน์ตัวเลือกสุดท้าย


ใน สิ่งที่เป็นเมตรฉัน? นั่นคือการพิมพ์ผิดหรือเปล่า? คุณหมายถึงnฉัน? a^i=1dimimini
stachyra

ใช่มันเป็นแน่นอน ฉันถูกต้อง ni
Elvis

1
ฉันพบบทความนี้ผู้เขียนซึ่งมีบทนำนี้ด้วยจากสเลดเด็คนี้ หากสิ่งเหล่านั้นไม่พอเพียงในฐานะแหล่งที่มา นอกจากนี้วิดีโอนี้เกี่ยวกับกระบวนการ Dirichlet ลำดับชั้น
ฌอนอีสเตอร์

โปรดทราบว่าฉันเข้าใจลักษณะพื้นฐานของ DP แต่ฉันไม่เข้าใจวิธีใช้อย่างเป็นรูปธรรมเหมือนก่อน ... นอกจากนี้ยังมีตัวชี้วัดพื้นฐานอื่น ๆ อีกด้วย
Elvis

ความน่าจะเป็นนั้นมีความเป็นเอกลักษณ์หรือไม่? หรือคุณจะได้รับ KM จากโอกาสอื่น ๆ
ความน่าจะเป็นทางการ

คำตอบ:


11

โปรดทราบว่าเนื่องจากฟังก์ชันความน่าจะเป็นของคุณเป็นผลิตภัณฑ์ของฟังก์ชั่นข้อมูลจะบอกคุณว่าไม่มีหลักฐานว่ามีความสัมพันธ์กัน โปรดทราบว่าตัวแปรd iนั้นถูกปรับสัดส่วนให้เข้ากับเวลาอยู่แล้ว อีกต่อไประยะเวลาหมายถึงโอกาสมากขึ้นสำหรับเหตุการณ์ที่เกิดขึ้นโดยทั่วไปหมายถึงขนาดใหญ่dฉันαididi

วิธีพื้นฐานที่สุด "ไปแบบเบย์" ที่นี่คือการใช้อิสระเครื่องแบบไพรเออร์ 1 โปรดทราบว่า0 < α i < 1ดังนั้นนี่คือก่อนที่เหมาะสม - ดังนั้นหลังจึงเหมาะสมเช่นกัน ด้านหลังคือการแจกแจงเบต้าอิสระพร้อมพารามิเตอร์p ( α i ) b e t a ( n i - d i + 1 , d i + 1 )p(αi)=10<αi<1p(αi)beta(nidi+1,di+1). สิ่งนี้สามารถจำลองได้อย่างง่ายดายเพื่อสร้างการกระจายหลังของเส้นโค้งการอยู่รอดโดยใช้rbeta ()ฟังก์ชันใน R

ฉันคิดว่านี่เป็นคำถามหลักของคุณเกี่ยวกับวิธี "ง่ายกว่า" ด้านล่างนี้เป็นเพียงจุดเริ่มต้นของแนวคิดที่จะสร้างแบบจำลองที่ดีกว่าซึ่งยังคงรูปแบบ KM ที่ยืดหยุ่นสำหรับฟังก์ชั่นการเอาชีวิตรอด

tiααiαi+1ηi=log(αi1αi)ητ(ηiηi1)2ni,dii(t0,t1)(t00,t01,t02,t10)n02,n10,d01,d02,d10n1=n01d1=d01+d02+d10

หวังว่านี่จะช่วยให้คุณเริ่มต้นได้


αi

5

สำหรับผู้อ่านที่เผชิญปัญหาในการไปที่ Bayesian เพื่อประเมินฟังก์ชั่นการเอาชีวิตรอดที่ยอมรับการเซ็นเซอร์ที่ถูกต้องฉันขอแนะนำวิธีการแบบ Bayparian nonparametric ที่พัฒนาโดย F Mangili, A Benavoli และคณะ ข้อกำหนดเฉพาะก่อนหน้านี้คือพารามิเตอร์ (ความแม่นยำหรือความแข็งแรง) หลีกเลี่ยงความจำเป็นในการระบุกระบวนการ Dirichlet ในกรณีที่ไม่มีข้อมูลก่อนหน้านี้ ผู้เขียนเสนอ (1) - ตัวประมาณความแข็งแกร่งของเส้นโค้งการอยู่รอดและช่วงเวลาที่น่าเชื่อถือสำหรับความน่าจะเป็นของการอยู่รอด (2) - การทดสอบในความแตกต่างของการอยู่รอดของบุคคลจาก 2 ประชากรอิสระซึ่งนำเสนอผลประโยชน์ต่างๆ หรือการทดสอบอื่น ๆ ที่ไม่ใช่พารามิเตอร์ ดู IDPsurvival ของแพ็คเกจ R และข้อมูลอ้างอิงนี้: การวิเคราะห์การเอาชีวิตรอดที่เชื่อถือได้ตามกระบวนการ Dirichlet F Mangili และคณะ วารสารไบโอเมตริกซ์ 2014.

โดยการใช้ไซต์ของเรา หมายความว่าคุณได้อ่านและทำความเข้าใจนโยบายคุกกี้และนโยบายความเป็นส่วนตัวของเราแล้ว
Licensed under cc by-sa 3.0 with attribution required.