অবিকল কিভাবে আর এর কক্স্ফ () বারবার ব্যবস্থা গ্রহণ করে?

Question

প্রসঙ্গ

আমি বুঝতে চেষ্টা করছি যে কীভাবে আর এর কক্স্ফ () প্রজাদের (বা রোগী / গ্রাহক যদি আপনি চান তবে) বারবার প্রবেশগুলি গ্রহণ করে এবং পরিচালনা করে। কেউ কেউ এই লম্বা ফর্ম্যাটটিকে কল করেন, আবার কেউ একে 'বারবার ব্যবস্থা' বলে থাকেন।

উদাহরণস্বরূপ দেখুন ডেটা সেটটিতে উত্তর বিভাগে আইডি কলাম অন্তর্ভুক্ত রয়েছে:

সময়ের পরিবর্তিত কোভেরিয়েট সহ কক্স মডেলগুলির জন্য সেরা প্যাকেজ

এছাড়াও ধরুন কোভারিয়েটগুলি সময় জুড়ে বিভিন্ন রকম এবং ঠিক সেখানে একটি সেন্সর রয়েছে (অর্থাত্ ইভেন্ট) পরিবর্তনশীল, যা বাইনারি।

প্রশ্নাবলি

1) উপরের লিঙ্কের উত্তরে, যদি আইডি কক্সফোতে কল করতে প্যারামিটার হিসাবে না দেওয়া হয় () তবে ফলাফলগুলি কক্স্ফ () এর পরামিতি হিসাবে ক্লাস্টার (আইডি) সহ একই হওয়া উচিত?

আমি ডকুমেন্টেশনের জন্য অনুসন্ধান করার চেষ্টা করেছি, তবে নিম্নলিখিতগুলি স্পষ্টভাবে সম্বোধন করে বলে মনে হচ্ছে না (1): https://stat.ethz.ch/pipermail/r-help//2013- জুলাই / 357466.html

2) (1) এর উত্তর যদি 'না' হয় তবে (গণিত) কেন? এটি কক্স্ফ () এর ক্লাস্টার () -এর পেজ-তে সাবসেকশন 'ক্লাস্টার' অনুযায়ী বিষয়গুলির মধ্যে পারস্পরিক সম্পর্ক চাইছে বলে মনে হয়। 20 এ

https://cran.r-project.org/web/packages/survival/survival.pdf

3) ভিগল প্রশ্ন: কক্সবা () বারবারের সাথে আর এর ফ্রেইটলিপ্যাক রিগ্রেশন পদ্ধতির সাথে কীভাবে তুলনা করে?

Addenda

ক্লাস্টার (আইডি) ব্যবহারের জন্য নিম্নলিখিত ইঙ্গিতগুলি:

লগরঙ্ক পরীক্ষার একটি পুনরাবৃত্তি ব্যবস্থা সচেতন সংস্করণ আছে?

যেমন করে:

https://stat.ethz.ch/pipermail/r-help//2013-July/357466.html

জিইই পদ্ধতির: কক্স্ফের মডেল স্টেটমেন্টে "+ গুচ্ছ (বিষয়)" যুক্ত করুন মিশ্রিত মডেলগুলি: কক্সেমের মডেল স্ট্যাটমেন্টে "+ (1 | বিষয়)" যুক্ত করুন।

আগাম ধন্যবাদ!

Answer 1

1. সহ cluster(ID)পরামিতিগুলির বিন্দু অনুমান পরিবর্তন করে না। এটি স্ট্যান্ডার্ড ত্রুটিগুলি তবে গণনা করা যায় এমনভাবে পরিবর্তন করে না।

   আরও বিশদ থেরনিয়া ও গ্র্যাম্বসের বইয়ের কক্স মডেল সম্প্রসারণ , অধ্যায় 8.2 এ পাওয়া যাবে। মনে রাখবেন যে তাদের উদাহরণে, তারা method = "breslow"সম্পর্কের সংশোধন হিসাবে ব্যবহার করে , তবে ডিফল্ট ( method = "efron") এর সাথেও সেগুলির জন্য একই রকম গণনা ব্যবহৃত হবে এবং সংক্ষেপে "জোরালো সে" হিসাবে উপস্থিত হবে।

2. যদি ক্লাস্টার (আইডি) ব্যবহার করা হয় তবে স্ট্যান্ডার্ড ত্রুটির একটি "শক্তিশালী" অনুমান চাপিয়ে দেওয়া হয় এবং বিষয়গুলির মধ্যে সম্ভাব্য নির্ভরতা পরিমাপ করা হয় (যেমন স্ট্যান্ডার্ড ত্রুটি এবং ভেরিয়েন্স স্কোর দ্বারা)। অন্যদিকে ক্লাস্টার (আইডি) ব্যবহার না করা প্রতিটি পর্যবেক্ষণে স্বাধীনতা আরোপ করে এবং আরও "তথ্য" ডেটা ধরে নেওয়া হয়। আরও প্রযুক্তিগত শর্তে, পরামিতিগুলির জন্য স্কোর ফাংশনটি পরিবর্তিত হয় না, তবে এই স্কোরের বৈকল্পিকতা রয়েছে। আরও স্বজ্ঞাত যুক্তিটি হল যে 100 ব্যক্তির উপর 100 টি পর্যবেক্ষণ 10 ব্যক্তির (বা ক্লাস্টার) উপর 100 টি পর্যবেক্ষণের চেয়ে বেশি তথ্য সরবরাহ করে।

3. লীগ সত্যিই। সংক্ষেপে, +frailty(ID)এ coxph()তড়কা গামা বা লগ-স্বাভাবিক র্যান্ডম প্রভাব সহ স্ট্যান্ডার্ড ভঙ্গুরতা মডেল এবং অ স্থিতিমাপ বেসলাইন বিপত্তি / তীব্রতা সঙ্গে। frailtypackপ্যারামেট্রিক বেসলাইন (স্প্লাইনস বা টুকরোচক ধ্রুবক ফাংশনগুলির সাথেও নমনীয় সংস্করণগুলি) ব্যবহার করে এবং আরও জটিল মডেলগুলিতে ফিট করে যেমন সম্পর্কিত সম্পর্কযুক্ত ফ্রেইলিটি, নেস্টেড ফ্রেইটি ইত্যাদি fits

পরিশেষে, +cluster()জিইই এর চেতনায় কিছুটা হলেও, আপনি স্বাধীন পর্যবেক্ষণের সাথে সম্ভাবনা থেকে স্কোর সমীকরণগুলি গ্রহণ করেন এবং স্ট্যান্ডার্ড ত্রুটির জন্য আলাদা "দৃ rob়" অনুমানকারী ব্যবহার করেন।

সম্পাদনা করুন: পোস্টের স্বচ্ছতা সম্পর্কে পরামর্শের জন্য @ ইভানকে ধন্যবাদ।

Comments

ধন্যবাদ. (2) সম্পর্কিত: "এটি কারণ আপনি যদি (ভুলভাবে) ধরে নিচ্ছেন ..." দ্বারা প্রতিস্থাপন করা যাবে "আপনি যদি কক্সফোতে কলটিতে ক্লাস্টার (আইডি) ব্যবহার না করেন, তবে আপনি ভুলভাবে ধরে নিবেন ...."

— কোয়েটজলকোটল

আমি বলতে চাইছিলাম: যদি পর্যবেক্ষণগুলি ক্লাস্টার করা থাকে তবে তারা স্বাধীন হতে পারে বা নাও পারে। ধরে নিই যে তারা স্বতন্ত্র (যেমন ক্লাস্টার (আইডি) ব্যবহার না করা) এই ক্ষেত্রে প্রায় অবশ্যই ভুল, তবে এটি আগে জানার কোনও ধারণা নেই

— থিওডর

(২) এরূপ পুনঃস্থাপন করা যেতে পারে: যদি ক্লাস্টার (আইডি) ব্যবহার করা হয়, তবে মানক ত্রুটির একটি "শক্তিশালী" অনুমান চাপিয়ে দেওয়া হয় এবং বিষয়গুলির মধ্যে সম্ভাব্য নির্ভরতা পরিমাপ করা হয় (উদাহরণস্বরূপ স্ট্যান্ডার্ড ত্রুটি এবং ভেরিয়েন্স স্কোর দ্বারা)। অন্যদিকে ক্লাস্টার (আইডি) ব্যবহার না করা প্রতিটি পর্যবেক্ষণে স্বাধীনতা আরোপ করে এবং আরও "তথ্য" ডেটা ধরে নেওয়া হয়।

— কোয়েটজলকোটল

রেফারেন্স লিংক আপনি (1) প্রদত্ত হওয়া উচিত: springer.com/us/book/9780387987842 (অভিমানী আপনি Therneau এবং Grambsch এর বই উদ্ধৃত করছি)

— Quetzalcoatl

এছাড়াও নোট করুন: থের্নো এবং গ্র্যাম্বসের বইয়ে যেমন ব্যাখ্যা করা হয়েছে, উপরে (1) এ উত্তরটি সঠিক কারণ, কক্স্ফ () ব্র্রেসলো পদ্ধতিটিকে সম্পর্কের জন্য ডিফল্ট হিসাবে ব্যবহার করে।

— কোয়েটজলকোটল

Answer 2

এখানে survivalপ্যাকেজ ভিগনেটের একটি উত্তর পাওয়া গেছে যা আমি সহায়ক পেয়েছি - এটি আপনার সাথে যুক্ত প্রথম প্রশ্নের প্রথম উত্তরের সাথে লিঙ্কযুক্ত:

সময়ের পরিবর্তিত কোভেরিয়েট সহ কক্স মডেলগুলির জন্য সেরা প্যাকেজ

তারা দীর্ঘ ফর্ম ডেটা সেটআপ, বা বিষয়ের জন্য বারবার এন্ট্রি সহ ডেটা উল্লেখ করছে।

এই ডেটা সেটআপের সাথে একটি সাধারণ প্রশ্ন হ'ল আমাদের কোনও সম্পর্কযুক্ত ডেটা নিয়ে চিন্তা করা দরকার, যেহেতু প্রদত্ত বিষয়ে একাধিক পর্যবেক্ষণ রয়েছে। উত্তর না হয়, আমরা না। কারণটি হ'ল এই উপস্থাপনাটি কেবল একটি প্রোগ্রামিং ট্রিক। সম্ভাব্য সমীকরণগুলি যে কোনও সময় কোনও বিষয়ের কেবল একটি অনুলিপি ব্যবহার করে, প্রোগ্রামটি প্রতিটি সময়টিতে সঠিক সারিটি বের করে। এই নিয়মের দুটি ব্যতিক্রম রয়েছে:

• বিষয়গুলিতে যখন একাধিক ইভেন্ট থাকে, তখন ইভেন্টগুলির সারিগুলি বিষয়ের মধ্যেই সম্পর্কিত হয় এবং একটি ক্লাস্টারের বৈচিত্র প্রয়োজন।
• যখন কোনও বিষয় ওভারল্যাপিং অন্তরগুলিতে উপস্থিত হয়। এটি অবশ্য সর্বদা ডেটা ত্রুটি, কারণ এটি একই সাথে একই স্তরে উপস্থিত হওয়া বিষয়টির দুটি অনুলিপি সম্পর্কিত, যেমন, তিনি কোনও পার্টিতে নিজেকে দেখা করতে পারেন।

তারা যে উদাহরণ দেয় তা হল

fit <- coxph(Surv(time1, time2, status) ~ age + creatinine, data=mydata)

আপনি যদি Survএকের পরিবর্তে দু'বার (সময়ের শুরু এবং শেষের সময়) সরবরাহ coxph()করেন তবে বাকী অংশটি বেরিয়ে যাবে।

Comments

আমি যদি কিছু ভুল বুঝে না ফেলেছি তবে আমার মনে হয় এই মন্তব্যটি বিভ্রান্তিকর? আমাদের যদি বৈকল্পিকের সঠিক অনুমান করতে চান তবে আমাদের পারস্পরিক সম্পর্কযুক্ত ডেটা নিয়ে চিন্তিত হওয়া দরকার, সুতরাং কেন + ক্লাস্টার (আইডি) শব্দ যুক্ত করে আনুমানিক বৈকল্পিক শর্তাদি পরিবর্তন করে?

— এপ 30