失败时间数据在参数半参数模型下假设检定之研究.docVIP

失敗時間數據在參數半參數模型下假設檢定之研究 黃德平 　　簡介 1.1 : 個體死亡時刻的資料 　　存活分析(survival analysis)主要是研究個體死亡時刻的資料(failure time data)，用來推測在時間變化時個體死亡的機率，及其相關的問題。存活分析的主要發展起於保險統計上人類生命表 (human mortality table) 的分析，但是在工程應用上，其應用亦相當廣泛，例如電子產品失效的時間或機械設備損壞的時間都可利用存活分析的方法研究。 : 設限情形下的資料 　　一般說來，設限的情形有三種，其定義如下: 第一型設限:如果在實驗中有個個體，我們欲觀察其死亡時刻，同時決定實驗　　　　　　　　在時刻之後必須結束實驗，那麼只有在時刻之前死亡的個體才會被觀察到確定的死亡時刻，而其他個體只能提供設限時刻 。 第二型設限:如果在實驗中，我們決定在死亡總數超過個之後結束實驗，則只有收集到個正確的死亡時刻，其餘個體只觀察到設限時刻。 隨機設限: 設限時刻是隨機出現的，通常發生在醫藥學研究中，臨床實驗時，病人可能會在不一定的時刻退出實驗，使我們只能觀察到其退出時刻而不是正確死亡的時刻。 　　第一型設限與第二型設限問題起源於工程應用。例如有一組電晶體或真空管，我們想要知道它們的使用壽命以決定生產流程是否需要改進。我們觀察電晶體經過多久的時間會燒毀，並記錄其失效時刻。在實驗中有一些電晶體會持續很久的時間才燒毀，而我們不想等待那樣長的時間，所以我們定一個固定時間停止實驗，燒毀時間大於固定時間的電晶體只紀錄其右設限的時刻，此即第一型設限；有時，我們不知道定怎樣的固定時刻比較好，所以決定等到燒毀的個數達到一定數時結束實驗，此即第二型設限。 　　 在計算上主要將設限資料分為右設限(right-censor)和左設限 (left-censor)。如果我們想要觀察的隨機變數數值太大，以致於不能被完整的觀察記錄，則我們只得到其右設限資料，前面介紹的三種常見設限都屬於右設限。有時，在我們觀察個體時，發現它已經死亡，而我們不能知道它正確死亡的時刻，只能記錄其觀察時刻，這就形成左設限。 　　 在1970年史丹佛(Stanford)心理學家Leiderman等人研究非洲幼兒技能動作發展的情形。他們想要建立肯亞(Kenya)地區幼兒動作技能成熟快慢的模式，用來與美國和英國等已知的模式比較。實驗樣本為出生在1969年7月1日到12月31日的65位幼兒。從1970年1月開始每一個幼兒每月接受一次實驗，看看是否它已經可以表現某些特定的技能。在此實驗中隨機變數代表從出生到開始能做某動作的時間。當研究人員到達村落進行第一次檢查時，有一些兒童已經能夠完成這些動作，於是我們未能記錄到其正確的時刻而只能記錄到左設限時刻;當研究人員要離開肯亞時仍有一些幼兒不能完成特定技能，我們因此只能記錄這些幼兒的右設限資料。(Leiderman et al,1973; Turbull,1974) 第二章　　符號與數學表示式 2.1 : 連續型 令代表存活時間且為一正值連續型隨機變數具有機率密度函數 　　　　　　　　　　　　　 , 。 的累積機率密度函數為 　　　　　　　　　　　　　 , 而的存活函數，代表存活時間超過的機率，其定義為 　　　　　　　　　　　　　 。 存活函數具有下列四個性質: 為單調且非遞增函數。 ；也就是說，對於，我們有 。 為左連續函數 。 ；也就是說， 。 (3) 且 。 (4) =且 。 風險函數(hazard function)表示已知存活時間超過的個體在時刻瞬間死亡的比率，其定義為 　　　　　　　　　 　　　　　　　 = 　　　　　　　 = 。 由上述定義可知，當靠近時，近似於已知存活時間超過時間的個體在時間死亡的條件機率。 由於 　 , 因此 , 再加上 的條件 ， 我們可得 ， 　　　　(2.1.1) 以及 。 　　　　 (2.1.2) 由(2.1.1)式和(2.1.2)式，我們得到、和的關係。 : 離散型 　　令為一離散型的隨機變數。若在時刻,… 有機率值，其中 … ，則的機率密度函數為 　　　　　　　　　　　　　　　　　 , 。 的存活函數定義為 　　　　　　　　　　　 , 而且其與連續型有同樣的前三項性質。 風險函數在此定義為 　　　　　　　　　　　　　 　　　　　　　　　　　　　 = , , 由於 =- , 因此 　　　　　　　　 　==1- , 　 (2.2.1) 而且由(2.2.1)式我們可得