ইভেন্ট পূর্বাভাস জন্য বেঁচে থাকা বিশ্লেষণ

Question

আমার ডেটাসেটে প্রতিটি রেকর্ডের জন্য আমার কাছে নিম্নলিখিত তথ্য রয়েছে

$$(X_1 \ , \dots \ , X_m \ , \delta \ , T \ )$$

যেখানে বৈশিষ্ট্যগুলি রয়েছে, লক্ষ্য ইভেন্টটি ঘটলে 1 হয় এবং অন্যথায় 0 হয়, এবং ঘটে যাওয়া ইভেন্টটির টাইমস্ট্যাম্প। বিশেষত, কোনও ইভেন্ট না থাকলে বা ফলো-আপ শেষ হওয়ার সময় নির্ধারণ করা হলে অনুপস্থিত হতে পারে।$X_i$$\delta$$T$$T$

আমি আমার ডেটাসেটের প্রতিটি রেকর্ডের জন্য একটি ঝুঁকি সূচক গণনা করতে চাই।

আমি ক্লাসিফিকেশন মডেলটির জন্য যাবার কথা ভাবছিলাম যা ক্লাস- সম্পর্কে ভবিষ্যদ্বাণী করতে বৈশিষ্ট্যগুলি ব্যবহার করে । তবে, গুরুত্বপূর্ণ: ইভেন্ট শিগগিরই হওয়ার সম্ভাবনা থাকলে ঝুঁকি বেশি হওয়া উচিত।$X_i$$\delta$$T$$\delta$

এ কারণেই এই সমস্যার জন্য বেঁচে থাকার বিশ্লেষণ উপযুক্ত হওয়া উচিত। আমার এর সম্পূর্ণ অনুমানের দরকার নেই তবে কেবল একটি একক সূচি যা একক রেকর্ডের জন্য ঝুঁকি উপস্থাপন করে।$S(t) = P(T>t)$

বেঁচে থাকার গড় সময়, যা প্রতিটি রেকর্ডের জন্য গণনা করা যায়, একটি দুর্দান্ত ঝুঁকি সূচক বলে মনে হয় - ঝুঁকি যত কম থাকে।

আমার প্রশ্ন হ'ল:

1. বেঁচে থাকার বিশ্লেষণটি কি আমার উদ্দেশ্যে উপযুক্ত?
2. আমি কীভাবে আমার মডেলটির পারফরম্যান্স মূল্যায়ন করতে পারি?

প্রশ্ন (2) সম্পর্কে: উদাহরণস্বরূপ হ্যারেলের ইন্ডেক্সটি ব্যবহার করতে আমি আগ্রহী , তবে কোনটি পূর্বাভাসের ফলাফলটি গণনা করতে ব্যবহৃত হয়েছিল তা সম্পর্কে আমি নিশ্চিত নই। হ্যারেলের বইয়ের রেগ্রেশন মডেলিং কৌশলগুলি পৃষ্ঠা 247 থেকে:$c$

সূচক [...] বিষয় সব সম্ভব জোড়া গ্রহণ যেমন যে এক বিষয় সাড়া এবং অন্যান্য নি দ্বারা নির্ণয় করা হয়। সূচকটি হ'ল প্রতিক্রিয়ারের সাথে এই জাতীয় জুটির অনুপাত হ'ল প্রতিক্রিয়াবিহীন প্রতিক্রিয়াটির চেয়ে বেশি প্রতিক্রিয়ার সম্ভাবনা থাকে।$c$

যদি বেঁচে থাকার বিশ্লেষণটি সঠিক পছন্দ হিসাবে প্রমাণিত হয় তবে আমার মনে হয় সময় পরিবর্তিত কোভারিয়েট প্রবর্তনের জন্য কিছু মানক পদ্ধতি ব্যবহার করা সহজ হওয়া উচিত ।$X_i(t)$

Answer 1

বেঁচে থাকার বিশ্লেষণটি কি আমার উদ্দেশ্যে উপযুক্ত?

বেঁচে থাকার বিশ্লেষণের জন্য এটি কেবলমাত্র কম প্রয়োগ বলে মনে করে:

... $TT$ কোনও ইভেন্ট না থাকলে বা ফলো-আপ শেষ হওয়ার সময় নির্ধারণ করা থাকলে নিখোঁজ হতে পারে।

আপনাকে বেশিরভাগ মডেলের জন্য জীবিত থাকতে ব্যক্তির শেষ সময়কালটি জানতে হবে। অন্যথায় বেঁচে থাকার বিশ্লেষণ ব্যবহার করার জন্য এটি সহজ এবং প্রযোজ্য হওয়া উচিত। উদাহরণস্বরূপ survival::coxph, আর বা একটি প্যারামেট্রিক মডেলের সাথে কক্স আনুপাতিক বিপত্তি survival::survreg।

বেঁচে থাকার গড় সময়, যা প্রতিটি রেকর্ডের জন্য গণনা করা যায়, একটি দুর্দান্ত ঝুঁকি সূচক বলে মনে হয় - ঝুঁকি যত কম থাকে।

হ্যাঁ, আপনি বেঁচে থাকার গড় সময় বা দুটি প্রাক্তন বর্ণিত (শ্রেণির) মডেলগুলির জন্য কেবল লিনিয়ার ভবিষ্যদ্বাণী ব্যবহার করতে পারেন।

আমি কীভাবে আমার মডেলটির পারফরম্যান্স মূল্যায়ন করতে পারি?

দ্য $c$সূচি আমার কাছে বোধগম্য পছন্দ বলে মনে হয় এটিউকের "প্রাকৃতিক" সাধারণীকরণ হিসাবে। উদাহরণস্বরূপ যে আর তে প্রয়োগ করা হয়েছে তা নোট করুন Hmisc::rcorr.cens।