可加危险模型在生存分析中的应用.docxVIP

  1. 1、原创力文档(book118)网站文档一经付费(服务费),不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。。
  2. 2、本站所有内容均由合作方或网友上传,本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺!文档内容仅供研究参考,付费前请自行鉴别。如您付费,意味着您自己接受本站规则且自行承担风险,本站不退款、不进行额外附加服务;查看《如何避免下载的几个坑》。如果您已付费下载过本站文档,您可以点击 这里二次下载
  3. 3、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“版权申诉”(推荐),也可以打举报电话:400-050-0827(电话支持时间:9:00-18:30)。
  4. 4、该文档为VIP文档,如果想要下载,成为VIP会员后,下载免费。
  5. 5、成为VIP后,下载本文档将扣除1次下载权益。下载后,不支持退款、换文档。如有疑问请联系我们
  6. 6、成为VIP后,您将拥有八大权益,权益包括:VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
  7. 7、VIP文档为合作方或网友上传,每下载1次, 网站将根据用户上传文档的质量评分、类型等,对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档
查看更多
可加危险模型在生存分析中的应用 1 在文献中的应用 最近,有许多关于生存疾病的文章。该模型通常用于模拟生命数据中包含的所谓“长期生存者”的生存数据,并广泛应用于癌症、艾滋病研究、犯罪学、市场学和工程可靠性的研究。鲍尔和肖乔从频率分析的角度详细讨论了这种模型。当需要考虑这种带有共同变量的模型时,kuk和chen在文献中讨论了该模型。 S(t)=1-p[1-F0(t)]exp(zTβ). (1.1) 这里F0(t)是一个正确的分布函数,z是协变量,β是协变量系数,p是人群中的易感染人群的比例,1-p是治愈比例,T表示向量的转置. Yakovlev等在文献中给出了另一个生存治愈模型,称之为“非混合”治愈模型.其定义如下: S(t)=exp{-θF0(t)}. (1.2) 这里θ是待估的参数,F0(t)是一个正常的分布函数.Chen等在文献中指出, 在模型(1.1)中,当β=0时,则它和模型(1.2)有明确的数学联系. 但当其带有协变量的时候,则各自有不同的生物学的背景.当模型(1.2)带有协变量的时候,变为如下的模型: S(t)=exp{θ[1-F0(t)]exp(zTβ)-θ}. (1.3) Tsodikov在文献中,假设分布函数F0(t)是连续的情形,研究了模型(1.3).Zhao在文献中研究了离散情况下的模型(1.3).我们注意到,模型(1.1)和(1.3)都不具有比例危险率(proportional hazrads)结构.因此,Maller和Zhou在文献中提出了另一个模型: S(t)=[1-pF0(t)]exp(zTβ). (1.4) 我们称之为“不正确”的比例危险率模型, Zhao在文献中从多个方面研究了模型(1.4)的性质. 虽然比例危险率(可乘)模型已经被广泛讨论,但最近以来,可加危险模型也引起了广泛重视,Lin和Ying在文献中首次给出了可加模型 λ(t)=ˉλ0(t)+zΤβ(1.5) 的部分似然估计方法,这里λ(t)是危险率函数,ˉλ0(t)是基础危险率函数.我们这里假定了协变量及其系数与时间t无关,或叫独立于时间t.那么模型(1.5)所对应的生存函数为: s(t)=[1-f0(t)]·exp{-zTβt}. (1.6) 读者可参看另外的相关文献,如文献、等.类似地,如果我们同时考虑可加的危险函数和生存治愈模型,上面的模型(1.1)和(1.3)可以推广为: F(t)=pF0(t),λ0(t)=ˉλ0(t)+zΤβt, (1.7) S(t)=exp{-θF0(t)},λ0(t)=ˉλ0(t)0(t)+zΤβt. (1.8) 这里,λ0(t)是相应于F0(t)的危险率函数,ˉλ0(t)是未知的基础危险函数,可以完全未知或参数化.模型(1.4)可以推广为: λ(t)=ˉλ0(t)+zΤβ=pf0(t)1-pF0(t)+zΤβ. (1.9) 注意到模型(1.9)的基础危险率ˉλ0(t)是“半参数”的,当然我们可以将其参数化, 这也是此模型与前两个模型不相同的地方.我们注意到模型(1.7)-(1.9)都是可乘模型的自然延伸,这3个模型目前的文献没有研究过.本文的目的就是希望将可乘危险模型推广到可加危险模型,并且可以容许生存数据中有治愈部分出现.我们再注意到模型(1.9)是模型(1.5)的推广,即在模型(1.6)中允许其基础危险函数1-F0(t)可以“不正确”为1-pF0(t).我们这里重点研究模型(1.9). 在第2节,我们研究模型(1.9)的模型识别问题,其参数估计和大样本性质我们放在第3节讨论.第4节我们做了一个小的模拟,总结和讨论放在本文的第5部分. 2 模型不可识别性的定理 Li等在文献中讨论了“不正确”可乘危险模型的识别问题,这里我们可以类似讨论模型(1.9)的识别问题.假设T+(允许T+=∞)是一个充分大的时间,除此之外,我们不再感兴趣.我们假设参数p通过函数p(x)依赖于协变量x,正常的分布函数F0(t)独立于变量x.不妨假设x是一维的变量. 假设F0={F0(t,Ψ):Ψ∈ΘΨ}是正常的失效时间分布函数的一个类, 令χ是设计空间.为了方便,我们假设χ是闭区间[a0,a1],记易感染人群的比例函数空间为Ρ={p(x)≠0、1,x∈χ}. 本节我们假设Ρ是独立于协变量x的常数. 定义 H1={S(t,p,Ψ)=[1-pF0(t,Ψ)]·exp(-r(x)t),tT+,x∈χ,p∈(0,1],F0(t,Ψ)∈F0]} (2.1) 我们先给出“不正确”AH模型可识别的定义. 定义2.1 “不正确”AH模型类H1是可识别的,如果对H1中任意两个元素S(t,p)=[1-pF0(t)]·exp(-r(x)t)和SΔ(t,p)=[

文档评论(0)

lmzwkyc + 关注
实名认证
文档贡献者

该用户很懒,什么也没介绍

1亿VIP精品文档

相关文档