MerQuR+Başvuru Kitabı

49. Sansürlü Kantil Regresyon (Portnoy, Peng-Huang) ve Toplamsal Kantil Düzgünleştirme (rqss)

Şablon kimliği: kantil_ileri · Kategori: düzgünleştirme · Dil: R · Dosya: pro/sablonlar/duzgunlestirme/kantil_ileri.R (satır 1–234; üstbilgi 1–102) · Örnek veri: _ornek/lung.csv · Paketler: quantreg 6.1, survival 3.8-6

49.1 Ne işe yarar

Şablon, kantil regresyonun iki uzantısını tek formda toplar. İlki sansürlü kantil regresyondur: yanıt bir süredir ve bazı gözlemlerde olay görülmeden izlem bitmiştir. Cevapladığı soru şudur: "Açıklayıcılar, sürenin \tau. kantilini (örneğin medyan sağkalım süresini) nasıl değiştiriyor ve bu etki dağılımın alt, orta ve üst kesiminde aynı mı?"

Q_{\log T}(\tau\mid \mathbf x)=\mathbf x^{\top}\boldsymbol\beta(\tau),\qquad 0<\tau<1
  • T: olay süresi; C: sansür süresi. Gözlenen Y=\min(T,C) ve olay göstergesi \delta=\mathbf 1\{T\le C\}.
  • Q_{\log T}(\tau\mid\mathbf x): \log T'nin \mathbf x verildiğinde \tau. koşullu kantili.
  • \boldsymbol\beta(\tau): her \tau için ayrı katsayı vektörü. \log T modellendiğinde e^{\beta_k(\tau)}, açıklayıcı bir birim arttığında \tau. kantil süresinin kaç katına çıktığını verir (hızlandırılmış başarısızlık zamanı yorumu).

İkincisi toplamsal kantil düzgünleştirmedir (rqss): ilk açıklayıcının etkisi bir doğru yerine parçalı doğrusal, cezalı bir eğriyle kestirilir, öteki açıklayıcılar doğrusal girer. Cevapladığı soru: "Yanıtın \tau. kantili x ile nasıl bir eğri boyunca değişiyor?"

Ne zaman kullanılır? Sansürlü yöntemler: orantılı tehlike varsayımı tutmadığında ya da etkinin erken ve geç olaylarda farklı olması beklendiğinde; yorumun süre ölçeğinde (medyan süre, çeyrek süre) istenmesi hâlinde. rqss: bir büyüme eğrisinin, başvuru aralığının ya da saçılımı x ile değişen bir ilişkinin alt ve üst kantil eğrileri gerektiğinde.

Ne zaman kullanılmaz?

  • Sansür yoksa ve ilişki doğrusalsa: temel programdaki Kantil Regresyon.
  • Tehlike oranı isteniyorsa: temel programdaki Cox Orantılı Tehlike modeli; yalnız sağkalım eğrisi isteniyorsa Kaplan-Meier Sağkalım Analizi.
  • Aralık sansürü ya da soldan kesilme varsa: aralik_sansur_regresyon şablonu. Bu şablon yalnız sağdan sansürü işler.
  • Gözlemler kümelenmişse (aynı hastanın yinelenen ölçümleri): karma_kantil şablonu.
  • Ortalamanın düzgün eğrisi isteniyorsa: gamm_mgcv; dağılımın bütün parametreleri modellenecekse: gamlss.
  • rqss sansürü dikkate almaz. Sansürlü bir süre için düzgün kantil eğrisi bu şablonla kestirilmez.

Temel programla ilişki. Temel programın Kantil Regresyon analizi sansürsüz, doğrusal modeli kurar. Sansür yokken bu şablonun Portnoy kestiricisi aynı çözümü verir (49.6, Adım 1); şablonun eklediği sansür, ızgara üzerinde kantil süreci, yeniden örneklemeye dayalı standart hata ve cezalı eğridir.

49.2 Şablonun girdileri

Form, üstbilgideki on üç [[param]] bloğundan kurulur (kantil_ileri.R:10–101).

Alan (form etiketi) · ad Tür · sekme Varsayılan Geçerli değerler Kodda etkisi
Yöntem · yontem seçim · Model portnoy portnoy, penghuang, rqss Dal seçimi (130, 178).
Yanıt · y sayısal sütun · Değişkenler ilk sayısal sütun sayısal sütun Süre ya da yanıt (117, 159).
Olay göstergesi · olay sütun · Değişkenler boş herhangi bir sütun ya da boş Boşsa bütün gözlemler olay sayılır (107, 161–168).
Olayı gösteren değer · olay_degeri ondalık · Değişkenler 1 −10⁶ … 10⁶ Sütunda bu değere eşit olan satır olaydır (165–166).
Açıklayıcı değişkenler · x sütunlar · Değişkenler boş en az 1 sütun Sansürlü yöntemlerde hepsi doğrusal; rqss'te ilki düzgünleştirilir (131, 175).
log(süre) modelle · log_y onay · Model açık açık / kapalı Yalnız sansürlü yöntemlerde (170–173).
Kantil düzeyleri τ · taular metin · Model 0.25, 0.5, 0.75 0 ile 1 arasında sayılar Rapor edilen kantiller; rqss ilkini kullanır (110–113, 134).
Bootstrap yineleme sayısı · B tamsayı · Seçenekler 200 20–2000 summary(R = B) (192).
rqss ceza parametresi λ · lambda ondalık · Model 10 0,001 … 10⁸ qss(lambda = ) (134, 137).
Güven düzeyi · guven ondalık · Seçenekler 0,95 0,5–0,999 alpha = 1 − guven (191, 193).
Bootstrap yöntemi · bootstrap_yontemi seçim · Seçenekler jack jack, xy-pair, Bose bmethod (194).
Kantil süreci ızgara adımı · izgara_adimi ondalık · Gelişmiş 0,01 0,001–0,1 crq(grid = ) (179–181).
rqss biçim kısıtı · kisit seçim · Model N N, I, D, V, C qss(constraint = ) (137).

Örnek ayar (ornek_param, satır 9): yontem = portnoy, y = time, olay = status, olay_degeri = 2, x = age, sex, ph.ecog, log_y açık, taular = "0.25, 0.5, 0.75", B = 100. B ve olay_degeri varsayılandan farklıdır.

Şablonun kendi denetimleri.

Koşul İleti (özet) Satır
Veri açık değil "Önce Veri sekmesinde bir veri açın." 106
Yanıt ve olay çıkarıldığında açıklayıcı kalmıyor "Yanıttan farklı en az bir açıklayıcı seçin." 108–109
τ listesi sayıya çevrilemiyor ya da (0, 1) dışında "Kantil düzeyleri 0 ile 1 arasında…" 110–112
Tam satır sayısı 10'dan az "En az 10 tam satır gerekli." 116
Yanıt sayısal değil / sabit "Yanıt sayısal olmalı." / "Yanıt sabit." 117–118
Açıklayıcı sabit ya da tek düzeyli "'…' sabit (tek düzeyli)…" 119–124
rqss: ilk açıklayıcı sayısal değil / 5'ten az farklı değer "rqss için ilk açıklayıcı sayısal olmalı." / "en az 5 farklı değer" 132–133
Olay sayısı 5'ten az "En az 5 olay gerekli…" 169
log(süre) seçili ve süre ≤ 0 "süreler pozitif olmalı" 171
Tasarım matrisi tam sıralı değil "Açıklayıcılar doğrusal bağımlı" 176–177
crq, rqss ya da coef hata verdi "Model kurulamadı: …" 127, 138, 181–182

Eksik değer: yanıt, olay ve açıklayıcılardan birinde eksik olan satır liste bazında atılır (complete.cases, 115). τ listesi virgül, noktalı virgül ya da boşlukla ayrılır (110); ondalık ayırıcı noktadır, 0,25 yazımı 0 ve 25 diye bölünür ve denetime takılır. Yinelenen düzeyler tekilleştirilir ve küçükten büyüğe sıralanır (113). Paketlerin uyarıları toplanır ve çıktının sonunda "Uyarılar:" satırında yazılır (126–128, 215). Karakter ya da kategorik türdeki bir açıklayıcı factor yapılır ve gösterge değişkenleriyle girer (120–121).

49.3 Örnek veri

Dosya: _ornek/lung.csv. İlerlemiş akciğer kanserli 228 hastanın sağkalım verisi (Loprinzi ve ark., 1994; survival paketinin lung verisi). ph.ecog bir hastada eksiktir; analiz 227 tam satırla yapılır.

Değişken Rol Tür (veri sekmesi) Özet
time Yanıt (süre) sayısal Gün; 5–1022, medyan 255,5.
status Olay göstergesi ikili 1 = sansürlü (63), 2 = ölüm (165; tam satırlarda 164).
age Açıklayıcı sayısal Yaş; 39–82, medyan 63.
sex Açıklayıcı ikili 1 = erkek (138), 2 = kadın (90).
ph.ecog Açıklayıcı sayısal ECOG performans puanı: 0 (63), 1 (113), 2 (50), 3 (1), eksik (1).
inst, ph.karno, pat.karno, meal.cal, wt.loss kullanılmaz sayısal

Olay değeri 2'dir

status sütununda ölüm 2 ile kodlanmıştır. Formun varsayılan olay değeri 1'dir; örnek ayar onu 2 yapar. Varsayılanla bırakılırsa 63 sansürlü gözlem "olay", 164 ölüm "sansür" sayılır ve çalıştırma hata vermeden tamamlanır. Veri özeti tablosundaki "olay" ve "sansürlü" sayıları bu yüzden her çalıştırmada denetlenir (burada 164 ve 63).

sex ve ph.ecog sayı olarak aktarılır ve modele tek doğrusal terimle girer. ph.ecog veri sekmesinde "kategorik" yapılırsa dört düzeyli bir faktör olur; 3 puanlı tek hasta ayrı bir gösterge sütunu oluşturur (49.8).

rqss için ikinci bir veri kullanılmıştır: _ornek/engel.csv (Engel'in 235 Belçika hanesinde gelir ve gıda harcaması; quantreg paketinin engel verisi). Bu veri sansürsüzdür ve aynı zamanda sansürsüz durumun denetimine yarar.

Bu bölümdeki çalıştırmalar (hepsinde tohum 2026): (1) örnek ayar, Portnoy; (2) aynı ayar, Peng-Huang; (3) engel.csv, olay sütunu boş, log_y kapalı, y = foodexp, x = income; (4) engel.csv, rqss, τ = 0,5, λ = 10. Ek ayarlar (ızgara adımı, güven düzeyi, yeniden örnekleme yöntemi, biçim kısıtı, λ = 1, 100, 10⁶) 49.7–49.9'da kullanılmıştır.

49.4 Yöntem: formüller ve hesap adımları

Hesap sırası sansürlü yöntemlerde: (1) eksik satırları at, olay göstergesini kur, istenirse süreyi logaritmaya çevir; (2) crq ile kantil sürecini bir τ ızgarası üzerinde kestir; (3) istenen τ değerlerinde katsayıları ızgara çözümlerinden oku; (4) summary ile yeniden örnekleme standart hatalarını, güven aralıklarını ve p değerlerini hesapla; (5) tabloları ve kantil süreci şeklini yaz. rqss dalında: (1) formülü kur; (2) cezalı doğrusal programı çöz; (3) aslına uygunluk, etkin serbestlik derecesi, AIC ve SIC'yi yaz; (4) eğriyi çiz.

49.4.1 Kantil regresyon: denetim fonksiyonu

Sansürsüz veride \tau. kantil regresyon kestiricisi şu toplamı en küçükler (Koenker ve Bassett, 1978):

\hat{\boldsymbol\beta}(\tau)=\arg\min_{\mathbf b}\sum_{i=1}^{n}\rho_\tau\big(y_i-\mathbf x_i^{\top}\mathbf b\big),\qquad \rho_\tau(u)=u\,\big(\tau-\mathbf 1\{u<0\}\big)
  • \rho_\tau: denetim (check) fonksiyonu. Pozitif artık \tau ile, negatif artık 1-\tau ile ağırlıklanır.
  • \tau=0{,}5 için \rho_{0{,}5}(u)=\lvert u\rvert/2: medyan regresyonu, mutlak artıklar toplamının en küçüklenmesidir.
  • Çözüm bir doğrusal programın köşesidir: p katsayılı modelde en az p gözlemin artığı tam sıfırdır ve kestirim bu p gözlemden geçen düzlemdir.

Neden çözüm τ'ya göre basamaklıdır?

Doğrusal programın en iyi köşesi, \tau küçük bir aralıkta değiştikçe aynı kalır; \tau bir kırılma noktasını geçince komşu köşeye atlar. \hat{\boldsymbol\beta}(\tau) bu yüzden \tau'nun parça parça sabit bir fonksiyonudur. Şablonun kantil süreci şekli (Şekil 49.1) basamaklı çizilir.

49.4.2 Sansür: Portnoy'un yeniden ağırlıklandırması

Sansürlü bir gözlemde T_i>C_i olduğu bilinir, T_i bilinmez. Portnoy'un (2003) kestiricisi Kaplan-Meier kestiricisinin "kütleyi sağa dağıtma" fikrini regresyona taşır. \tau küçükken sansürlü gözlemlerin hepsi kantil düzleminin üstündedir; artıkları pozitiftir ve değerlerinin tam olarak ne olduğu amaç fonksiyonunu etkilemez. \tau büyüdükçe düzlem yükselir ve bir noktada sansürlü bir gözlemi geçer: \mathbf x_i^{\top}\hat{\boldsymbol\beta}(\hat\tau_i)=C_i. Bu andan sonra gözlemin kütlesi ikiye bölünür:

w_i(\tau)=\frac{\tau-\hat\tau_i}{1-\hat\tau_i},\qquad \tau>\hat\tau_i
\hat{\boldsymbol\beta}(\tau)=\arg\min_{\mathbf b}\ \sum_{i:\,\delta_i=1}\rho_\tau(y_i-\mathbf x_i^{\top}\mathbf b)+\sum_{i:\,\delta_i=0}\Big[w_i(\tau)\,\rho_\tau(C_i-\mathbf x_i^{\top}\mathbf b)+\big(1-w_i(\tau)\big)\,\rho_\tau(y^{*}-\mathbf x_i^{\top}\mathbf b)\Big]
  • \hat\tau_i: sansürlü i. gözlemin geçildiği (bölündüğü) kantil düzeyi. Geçilmemiş gözlemde w_i=0 alınır.
  • w_i(\tau): T_i'nin, \tau. kantilin altında kalma olasılığının kestirimi: P(T_i<Q(\tau)\mid T_i>C_i)=(\tau-\hat\tau_i)/(1-\hat\tau_i). Bu pay C_i'de bırakılır.
  • y^{*}: bütün kestirimlerin üstünde kalan çok büyük bir değer ("+\infty"). Kütlenin 1-w_i kadarı buraya taşınır; artığı hep pozitif olduğundan amaç fonksiyonuna yalnız -\tau\,(1-w_i)\,\mathbf x_i^{\top}\mathbf b doğrusal terimiyle girer.

Neden ağırlık (τ − τ̂)/(1 − τ̂)?

Gözlem \hat\tau_i düzeyinde geçildiğinde, sansür süresi kendi koşullu dağılımının \hat\tau_i. kantilindedir; gerçek süre bu noktanın sağında bir yerdedir. Sağda kalan olasılık 1-\hat\tau_i'dir ve bunun \tau-\hat\tau_i kadarı \tau. kantilin altındadır. Açıklayıcı yokken bu kural Kaplan-Meier kestiricisinin kantillerini verir.

49.4.3 Izgara algoritması

Şablon crq(method = "Portnoy", grid = …) çağrısını yapar (satır 181); quantreg bu durumda kestiriciyi bir τ ızgarası üzerinde, her noktada yeniden ağırlıklı bir doğrusal program çözerek hesaplar (Neocleous, Vanden Branden ve Portnoy, 2006). Adımlar:

  1. Başlangıç. \tau_0=h (h ızgara adımı) düzeyinde, sansürlüler sıradan gözlem sayılarak kantil regresyon çözülür. Bu düzlemin altında kalan sansürlü gözlem varsa atılır ve çözüm yinelenir. Çözüm "τ = 0" etiketiyle saklanır.
  2. İlk kırılma. Başlangıç köşesinin en iyi kaldığı aralığın üst ucu \tau_1 bulunur ve komşu köşeye geçilir. Örnek veride \tau_1=0{,}011111.
  3. Izgara. \tau_k=\tau_1+(k-1)\,h düzeylerinde, 49.4.2'deki ağırlıklı program çözülür. Izgara böylece formdaki adımın tam katlarında değil, \tau_1 kadar kaymış noktalardadır: 0,011111; 0,021111; 0,031111; …
  4. Bölünme zamanı. \tau_k çözümünde ilk kez geçilen sansürlü gözlem için bölünme düzeyi, son iki çözüm arasında doğrusal ara değerle bulunur:
\hat\tau_i=\tau_k-h\,\frac{\mathbf x_i^{\top}\hat{\boldsymbol\beta}(\tau_k)-C_i}{\mathbf x_i^{\top}\hat{\boldsymbol\beta}(\tau_k)-\mathbf x_i^{\top}\hat{\boldsymbol\beta}(\tau_{k-1})}
  1. Durma. Pozitif artıklı gözlemlerin hepsi geçilmemiş sansürlü gözlem olduğunda üst kantiller artık tanımlanamaz ve süreç durur. Son çözüm bir kez daha, "τ = 1"e kadar uzatılmış bir etiketle saklanır. Örnek veride son ızgara noktası 0,971111'dir. Şablon sürecin durduğu düzeyi son sütun dışındaki en büyük τ olarak okur (satır 184–188) ve bunun üstündeki kantillerde katsayıyı NA yazar.
  • h: izgara_adimi (varsayılan 0,01). quantreg'e ızgaranın kendisi değil, en küçük öğesi ve öğeler arası medyan fark geçer; başlangıç düzeyi adımı aşamaz.
  • C_i: sansürlü gözlemin (log) süresi. Pay ve payda, düzlemin i. gözlemdeki yüksekliğinin iki ardışık ızgara noktasındaki değerlerinden kurulur.
  • Başlangıç köşesi yozlaşmışsa (sıfır artıklı gözlem sayısı p'den çoksa) 2. adım atlanır ve ızgara 2h'den başlar; Engel verisinde ızgara 0,02; 0,03; … biçimindedir.

Koddaki tercih

crq(formula, data, method = yon, grid = izgara) (satır 181): yon ya "Portnoy" ya "PengHuang"dır (178). Izgara seq(adım, 1 − adım, by = adım) olarak kurulur (180). quantreg, çözüm sütunlarını 3n ile sınırlar; adım 1/(3n)'den küçük seçilirse (227 gözlemde 0,001 gibi) crq "subscript out of bounds" hatası verir ve şablon bunu "Model kurulamadı" iletisiyle gösterir.

49.4.4 İstenen τ'da katsayılar

Rapor edilen katsayı, ızgara çözümlerinden coef(r, taus) ile okunur (satır 182). quantreg bu işlevde ızgaranın iki komşu çözümü arasında doğrusal ara değer alır:

\hat{\boldsymbol\beta}(\tau)=(1-a)\,\hat{\boldsymbol\beta}(\tau_k)+a\,\hat{\boldsymbol\beta}(\tau_{k+1}),\qquad a=\frac{\tau-\tau_k}{\tau_{k+1}-\tau_k},\qquad \tau_k\le\tau<\tau_{k+1}
  • Örnek veride \tau=0{,}25, 0,241111 ile 0,251111 arasındadır; a=0{,}888889.
  • İstenen \tau sürecin durduğu son gerçek düzeyden büyükse (ya da ilkinden küçükse) katsayı tanımsızdır (NA); şablon bu düzeyi okur (satır 184–190), NA yazar, veri özetine "sürecin durduğu τ" satırını ve bir not ekler (213–221). Örnek veride düzey 0,9711'dir; \tau=0{,}98 ve 0{,}999 için katsayı, SH, GA ve p NA'dır.

49.4.5 Peng-Huang kestiricisi

Peng ve Huang (2008), sayma süreci N_i(t)=\mathbf 1\{Y_i\le t,\ \delta_i=1\} için martingal özelliğinden bir kestirim denklemi kurar. Birikimli tehlikeyi Nelson-Aalen biçiminde, H(u)=-\log(1-u) ile yazar:

\sum_{i=1}^{n}\mathbf x_i\Big[N_i\big(\mathbf x_i^{\top}\boldsymbol\beta(\tau)\big)-\int_0^{\tau}\mathbf 1\big\{Y_i\ge \mathbf x_i^{\top}\boldsymbol\beta(u)\big\}\,dH(u)\Big]=\mathbf 0
  • Y_i, \mathbf x_i^{\top}\boldsymbol\beta: log süre ölçeğinde gözlenen değer ve kantil.
  • İlk terim, \tau. kantilin altında gözlenen olayları sayar; ikinci terim, i. gözlemin u\le\tau boyunca "risk altında" kaldığı sürece biriken tehlikedir.
  • Denklem ızgarada ardışık çözülür: \tau_j'deki çözüm, daha küçük ızgara noktalarındaki çözümlerin belirlediği risk göstergelerine bağlıdır. Her adım, yalnız olay gözlemlerinin mutlak artıklarını ve doğrusal bir terimi içeren bir doğrusal programdır.

Koddaki tercih

crq(method = "PengHuang", grid = izgara). quantreg bu yöntemde programı iç nokta (Frisch-Newton) yöntemiyle çözer ve ızgarayı olduğu gibi kullanır (Portnoy'daki kayma yoktur). İki ayrıntı sonucu etkiler. (i) \tau_j etiketli çözüm, birikimli tehlikenin H(\tau_{j+1})-H(\tau_1) değeriyle hesaplanır; etiket bir ızgara adımı geridedir ve son ızgara noktası çözümsüz kalır. (ii) Bir gözlemin risk altında sayılması artığının işaretine bağlıdır; tabandaki p gözlemin artığı kuramsal olarak sıfırdır ve iç nokta çözümünde 10^{-12} düzeyinde, işareti rastlantısal bir sayıdır. Bu yüzden Peng-Huang yolu, özellikle üst kantillerde, aynı tanımın başka bir çözücüyle uygulanmasından farklı çıkabilir (49.6.1).

49.4.6 Standart hata, güven aralığı ve p değeri

summary(r, taus, R = B) (satır 192–198) kestirimi alt örneklerde yineler ve yinelemelerin çeyrekler arası yayılımından bir ölçek kurar. Varsayılan yöntem silme-d jackknife'tır (Portnoy, 2014): her yinelemede d=2\lceil\sqrt n\rceil gözlem rastgele çıkarılır ve kalan n-d gözlemle model yeniden kestirilir.

\begin{gathered}L=\hat\beta-f\,c\,(q_{0{,}50}-q_{0{,}25}),\qquad U=\hat\beta+f\,c\,(q_{0{,}75}-q_{0{,}50})\\[4pt] f=\frac{z_{1-\alpha/2}}{z_{0{,}75}},\qquad c=\sqrt{\frac{n-d-p+1}{d}},\qquad \operatorname{SH}=\frac{U-L}{2\,z_{1-\alpha/2}},\qquad p=2\,\Big[1-\Phi\Big(\frac{\lvert\hat\beta\rvert}{\operatorname{SH}}\Big)\Big]\end{gathered}
  • q_{0{,}25},q_{0{,}50},q_{0{,}75}: B yinelemedeki katsayı kestirimlerinin çeyrekleri (tanımsız yinelemeler atılır).
  • c: silme-d jackknife'ın ölçek düzeltmesi. xy-pair ve Bose yöntemlerinde c=\sqrt{m/n}=1'dir.
  • z_{0{,}75}=0{,}674490: normal dağılımda çeyrek ile medyan arasındaki uzaklığın standart sapmaya oranı. f\,c\,(q_{0{,}75}-q_{0{,}50}), normal dağılım altında z_{1-\alpha/2}\cdotSH'ye eşit olurdu.
  • \Phi: standart normal dağılım fonksiyonu. Test z testidir; serbestlik derecesi kullanılmaz.

Neden standart sapma değil de çeyrekler?

Sansürlü kantil regresyonda bazı alt örneklerde üst kantiller tanımsız kalır, bazılarında kestirim çok uzağa düşer. Çeyrekler bu uç yinelemelerden etkilenmez. Sonuçta güven aralığı asimetriktir: alt yarı q_{0{,}50}-q_{0{,}25}'ten, üst yarı q_{0{,}75}-q_{0{,}50}'den kurulur. SH, bu asimetrik aralığın yarı genişliğinden geri hesaplanır; dolayısıyla SH güven düzeyine bağlı değildir (z_{1-\alpha/2} sadeleşir), aralık bağlıdır.

Izgara alt örneklere de aktarılır

Şablon ızgarayı hem crq hem summary çağrısına verir (satır 181, 195). Alt örneklerdeki kestirimler de aynı ızgarada (0,01; 0,02; …; 0,99) yapılır; bu yüzden formdaki ızgara adımı SH'yi de etkiler: adım 0,01 ve 0,05 ile yapılan iki çalıştırmada sex (\tau=0{,}25) için SH 0,1616 ve 0,1677'dir. Alt örneklerde paketin kendi varsayılan ızgarası (Portnoy'da başlangıç 1/n_b, adım 1/(5+3\,n_b^{0{,}4})) kullanılmaz.

Üç yeniden örnekleme yöntemi: jack (yukarıdaki); xy-pair (n gözlem yerine koyarak çekilir, yinelenen satırlar ağırlıkla temsil edilir); Bose (her gözleme üstel dağılımdan rastgele ağırlık verilir; Bose ve Chatterjee, 2003).

49.4.7 rqss: toplam değişim cezalı kantil eğrisi

rqss dalında yanıt, ilk açıklayıcının parçalı doğrusal bir fonksiyonu ile öteki açıklayıcıların doğrusal birleşiminin toplamıdır. Eğri, aslına uygunluk ile pürüzlülük cezası arasındaki dengeyi kurar (Koenker, Ng ve Portnoy, 1994):

\min_{g,\ \boldsymbol\gamma}\ \sum_{i=1}^{n}\rho_\tau\big(y_i-g(x_{i1})-\mathbf z_i^{\top}\boldsymbol\gamma\big)+\frac{\lambda}{2}\,V(g'),\qquad V(g')=\sum_{j=1}^{m-2}\Big\lvert\frac{g_{j+2}-g_{j+1}}{u_{j+2}-u_{j+1}}-\frac{g_{j+1}-g_j}{u_{j+1}-u_j}\Big\rvert
  • u_1<\dots<u_m: x_1'in tekil değerleri (düğümler); g_j=g(u_j). g, düğümler arasında doğrusaldır.
  • V(g'): türevin toplam değişimi, yani ardışık parçaların eğimleri arasındaki mutlak farkların toplamı.
  • \mathbf z_i: öteki açıklayıcılar ve sabit terim; \boldsymbol\gamma konsolda "Doğrusal terimler" satırında yazılır.
  • Ceza satırları quantreg'de medyan denetim fonksiyonuyla (\rho_{0{,}5}(u)=\lvert u\rvert/2) değerlendirilir; lambda'nın amaç fonksiyonundaki etkin çarpanı bu yüzden \lambda/2'dir.

Neden karesel değil mutlak ceza?

Mutlak ceza problemi doğrusal program olarak bırakır ve eğimi yalnız birkaç düğümde değiştirir: çözüm, az sayıda kırılma noktası olan parçalı doğrusal bir eğridir. \lambda büyüdükçe kırılmalar azalır; \lambda\to\infty için V(g')=0 olur ve eğri doğrusal kantil regresyon doğrusuna iner.

Model seçimi ölçütleri:

\text{aslına uygunluk}=\sum_i\rho_\tau(\hat e_i),\qquad \text{esd}=\#\{i:\ \lvert\hat e_i\rvert<\varepsilon\},\qquad \mathrm{AIC}=2n\Big[\log\frac{\sum_i\rho_\tau(\hat e_i)}{n}+1-\log\big(\tau(1-\tau)\big)\Big]+2\,\text{esd}
  • esd (etkin serbestlik derecesi): eğrinin tam üstünden geçtiği gözlem sayısı. Doğrusal kantil regresyonda bu sayı katsayı sayısına (p) eşittir.
  • AIC'nin ilk terimi, asimetrik Laplace olabilirliğinin -2 katıdır. SIC'de 2\,\text{esd} yerine \log(n)\,\text{esd} kullanılır (Schwarz, 1978).

Biçim kısıtı. kisit seçeneği eğriye artan (I), azalan (D), dışbükey (V) ya da içbükey (C) olma koşulu ekler; quantreg bunları doğrusal eşitsizlik kısıtı olarak programa koyar.

49.5 Kod adım adım

Satırlar Ne yapar Neden / dikkat
1–102 Üstbilgi: on üç parametre, örnek veri ve ayar. Form buradan kurulur (Bölüm 1.2).
103–104 .m() ileti seçici; quantreg ve survival yüklenir. Surv() için survival gerekir.
106–124 Girdi denetimleri; τ listesi ayrıştırılır; d tam satırlarla kurulur; açıklayıcılar denetlenir. Olay sütunu açıklayıcılardan çıkarılır (108).
125–128 q() ad tırnaklayıcı; yakala() hata ve uyarı sarmalayıcı. Hata çevrilmiş iletiye döner; uyarılar uyari vektöründe toplanır.
130–157 rqss dalı: formül, rqss, uyum tablosu, eğri tablosu (en çok 25 nokta), şekil. τ listesinin yalnız ilki kullanılır (134). Olay sütunu ve log_y bu dalda etkisizdir.
159–177 Sansürlü dal: olay göstergesi, log dönüşümü, Surv(.y, .olay) ~ … formülü, sıra denetimi. Olay karşılaştırması hem metin hem sayı olarak yapılır (165–166).
178–183 crq; coef(r, taus); katsayı matrisi. Izgara 180. satırda kurulur.
191–206 summary; her τ için katsayı, SH, GA, p tabloya dizilir. summary hata verirse SH, GA ve p boş (NA) kalır; hata iletisi uyarılara ve tablo başlığına yazılır (196–198, 209–212).
208–221 Katsayı tablosu, durma düzeyi ve NA notu, veri özeti tablosu. Başlıkta yöntem, yanıt ve güven düzeyi yazılır.
222–231 Kantil süreci şekli: ızgaradaki katsayı, basamaklı çizgi. Yalnız tasarım matrisinin ikinci sütunu (ilk açıklayıcı) çizilir (225).
233–234 Toplanan uyarılar yazılır.

Olay göstergesinin kuruluşu (satır 165–166) iki karşılaştırmanın "veya"sıdır:

olay_v <- as.integer(as.character(ov) == as.character(P$olay_degeri) |
                     (... as.numeric(as.character(ov)) == as.numeric(P$olay_degeri)))

Sütun sayı, metin ya da kategorik türde olabilir; 2, 2.0 ve "2" aynı sayılır. Eşleşmeyen ve eksik değerler sansür (0) olur.

49.6 Elle hesap: örnek veride bağımsız yeniden hesap

Bütün büyüklükler dogrulama/kantil_ileri/elle_hesap.py ile, quantreg kullanılmadan, doğrusal programların doğrudan kurulup çözülmesiyle (HiGHS) yeniden hesaplanmıştır; ara sayılar adimlar.py çıktısıdır. R tarafında aynı algoritma lpSolve paketiyle yazılmıştır (r_dogrulama.R).

Adım 1 — Sansür yokken: Engel verisi. Olay sütunu boş bırakıldığında bütün gözlemler olaydır ve 49.4.2'deki program sıradan kantil regresyona iner. Engel verisinde \tau=0{,}5 için doğrusal programın çözümü \hat\beta_0=81{,}482247, \hat\beta_1=0{,}560181'dir; amaç fonksiyonunun değeri (\sum\rho_{0{,}5}) 8779,966'dır. Şablonun Portnoy çıktısı aynı sayıları verir: başlangıç köşesi yozlaştığından ızgara 0,02; 0,03; … biçimindedir, 0,25, 0,50 ve 0,75 ızgara noktalarıdır ve ara değer gerekmez.

Adım 2 — lung verisinde ızgara. n=227, 164 olay, 63 sansürlü gözlem. \tau_0=0{,}01 çözümünün altında sansürlü gözlem yoktur; hiçbiri atılmaz. İlk kırılma \tau_1=0{,}011111; ızgara 0,011111; 0,021111; …; 0,971111 (97 nokta) ve "τ = 1" etiketli son sütun. İlk bölünme, tam satırlar arasındaki 216. gözlemde, \hat\tau=0{,}038071'de olur; \tau=0{,}5'e gelindiğinde 43 sansürlü gözlem bölünmüştür, süreç sonunda 63'ü de.

Adım 3 — Bir gözlemin bölünmesi. Tam satırlar arasındaki 82. gözlem sansürlüdür, \log C=5{,}278115 (196 gün). Düzlemin bu gözlemdeki yüksekliği \tau=0{,}331111'de 5,246907, \tau=0{,}341111'de 5,283437'dir; düzlem bu iki nokta arasında gözlemi geçer:

\hat\tau_{82}=0{,}341111-0{,}01\cdot\frac{5{,}283437-5{,}278115}{5{,}283437-5{,}246907}=0{,}339654

\tau=0{,}5 çözümünde bu gözlemin ağırlığı w=(0{,}5-0{,}339654)/(1-0{,}339654)=0{,}242821'dir: kütlesinin %24,3'ü 196. günde, %75,7'si sonsuzda sayılır.

Adım 4 — τ = 0,25'te ara değer. Komşu ızgara noktaları 0,241111 ve 0,251111, a=0{,}888889. age katsayısı bu iki noktada −0,011768 ve −0,010247'dir:

\hat\beta_{\text{age}}(0{,}25)=0{,}111111\cdot(-0{,}011768)+0{,}888889\cdot(-0{,}010247)=-0{,}010416

sex katsayısı iki noktada da 0,392490'dır ve ara değer onu değiştirmez.

Adım 5 — Standart hata. d=2\lceil\sqrt{227}\rceil=32; her alt örnekte 195 gözlem; alt örnek kestirimleri şablonun ızgarasında (0,01 … 0,99) yapılır. c=\sqrt{(227-32-4+1)/32}=\sqrt6=2{,}449490; f=1{,}959964/0{,}674490=2{,}905847. sex katsayısının \tau=0{,}5'teki 100 yinelemesinin çeyrekleri 0,467861; 0,479026; 0,531537:

L=0{,}480286-2{,}905847\cdot2{,}449490\cdot0{,}011165=0{,}400810,\qquad U=0{,}480286+2{,}905847\cdot2{,}449490\cdot0{,}052511=0{,}854047
\operatorname{SH}=\frac{0{,}854047-0{,}400810}{2\cdot1{,}959964}=0{,}115624,\qquad z=4{,}154,\qquad p=3{,}27\times10^{-5}

Aynı yinelemelerin standart sapmasından kurulan ölçek (c ile çarpılmış) 0,102021'dir; çeyreklere dayalı SH bundan %13 büyüktür.

Adım 6 — rqss. Engel verisinde 231 tekil gelir değeri vardır. \tau=0{,}5, \lambda=10 için programın çözümünde aslına uygunluk 6005,2186, türevin toplam değişimi V(g')=137{,}3298 ve amaç fonksiyonu 6005{,}2186+5\cdot137{,}3298=6691{,}8677'dir. Eğri 49 gözlemin tam üstünden geçer (esd = 49).

\mathrm{AIC}=2\cdot235\,\big[\log(6005{,}2186/235)+1-\log 0{,}25\big]+2\cdot49=2644{,}7337+98=2742{,}7337

\mathrm{SIC}=2644{,}7337+49\log 235=2912{,}2534. Ceza çarpanı \lambda/2 yerine \lambda alınsaydı aslına uygunluk 6445,927 çıkardı; şablonun 6005,2186 değeri \lambda/2 tanımını doğrular.

49.6.1 Doğrulama: MerQuR+, Python ve R

MerQuR+ sütunu şablonun katsayı ve uyum tablolarından tam hassasiyetle alınmıştır (çalıştırmalar 1–4). Standart hata satırlarında alt örnekler, şablonun kullandığı tohumla ve ızgarayla R'nin rastgele sayı akışından yeniden üretilmiş (r_dogrulama.R → r_cekilis.json), her alt örnekte kestirim bağımsız kodla yapılmıştır.

Büyüklük MerQuR+ Python (bağımsız) R (bağımsız) En büyük fark
Portnoy τ = 0,25: sabit 5,71191533 5,71191533 5,71191533 1,6e−15 ✓
Portnoy τ = 0,25: age −0,01041625 −0,01041625 −0,01041625 8,5e−17 ✓
Portnoy τ = 0,25: sex 0,39248995 0,39248995 0,39248995 4,4e−16 ✓
Portnoy τ = 0,25: ph.ecog −0,44759323 −0,44759323 −0,44759323 1,4e−15 ✓
Portnoy τ = 0,50: sabit 4,91707811 4,91707811 4,91707811 5,4e−16 ✓
Portnoy τ = 0,50: age 0,00806428 0,00806428 0,00806428 6,9e−17 ✓
Portnoy τ = 0,50: sex 0,48028587 0,48028587 0,48028587 1,4e−15 ✓
Portnoy τ = 0,50: ph.ecog −0,39705972 −0,39705972 −0,39705972 7,8e−16 ✓
Portnoy τ = 0,75: sabit 6,97649891 6,97649891 6,97649891 6,4e−16 ✓
Portnoy τ = 0,75: age −0,01395433 −0,01395433 −0,01395433 1,2e−17 ✓
Portnoy τ = 0,75: sex 0,32466298 0,32466298 0,32466298 6,1e−16 ✓
Portnoy τ = 0,75: ph.ecog −0,29186275 −0,29186275 −0,29186275 1,0e−15 ✓
Portnoy τ = 0,25: SH(sabit) 0,73278882 0,73278882 0,73278882 1,5e−14 ✓
Portnoy τ = 0,25: SH(age) 0,01157581 0,01157581 0,01157581 9,4e−17 ✓
Portnoy τ = 0,25: SH(sex) 0,16161388 0,16161388 0,16161388 1,9e−15 ✓
Portnoy τ = 0,25: SH(ph.ecog) 0,12104689 0,12104689 0,12104689 5,7e−16 ✓
Portnoy τ = 0,50: SH(sabit) 0,18201587 0,18201587 0,18201587 9,8e−15 ✓
Portnoy τ = 0,50: SH(age) 0,00267307 0,00267307 0,00267307 3,0e−17 ✓
Portnoy τ = 0,50: SH(sex) 0,11562372 0,11562372 0,11562372 1,4e−15 ✓
Portnoy τ = 0,50: SH(ph.ecog) 0,02103348 0,02103348 0,02103348 6,2e−16 ✓
Portnoy τ = 0,75: SH(sabit) 1,03790593 1,03790593 1,03790593 4,7e−15 ✓
Portnoy τ = 0,75: SH(age) 0,01148815 0,01148815 0,01148815 1,8e−16 ✓
Portnoy τ = 0,75: SH(sex) 0,20901919 0,20901919 0,20901919 1,8e−15 ✓
Portnoy τ = 0,75: SH(ph.ecog) 0,15804613 0,15804613 0,15804613 2,2e−15 ✓
Portnoy τ = 0,50: GA alt (sex) 0,40080997 0,40080997 0,40080997 6,6e−15 ✓
Portnoy τ = 0,50: GA üst (sex) 0,85404663 0,85404663 0,85404663 8,7e−15 ✓
Portnoy τ = 0,50: GA alt (ph.ecog) −0,46037662 −0,46037662 −0,46037662 2,6e−15 ✓
Portnoy τ = 0,50: GA üst (ph.ecog) −0,37792689 −0,37792689 −0,37792689 1,6e−15 ✓
Portnoy τ = 0,25: p (sex) 0,01515867 0,01515867 0,01515867 8,6e−16 ✓
Portnoy τ = 0,75: p (sex) 0,12035894 0,12035894 0,12035894 2,1e−15 ✓
Engel (sansürsüz) τ = 0,25: sabit 95,48353963 95,48353963 95,48353963 1,3e−15 ✓
Engel (sansürsüz) τ = 0,25: income 0,47410321 0,47410321 0,47410321 2,8e−16 ✓
Engel (sansürsüz) τ = 0,50: sabit 81,48224742 81,48224742 81,48224742 1,2e−15 ✓
Engel (sansürsüz) τ = 0,50: income 0,56018055 0,56018055 0,56018055 5,6e−16 ✓
Engel (sansürsüz) τ = 0,75: sabit 62,39658553 62,39658553 62,39658553 5,6e−15 ✓
Engel (sansürsüz) τ = 0,75: income 0,64401414 0,64401414 0,64401414 2,2e−16 ✓
Engel τ = 0,25: SH(sabit) 16,72415409 16,72415409 16,72415409 4,2e−15 ✓
Engel τ = 0,25: SH(income) 0,02591953 0,02591953 0,02591953 2,2e−16 ✓
Engel τ = 0,50: SH(sabit) 18,66233838 18,66233838 18,66233838 3,4e−14 ✓
Engel τ = 0,50: SH(income) 0,02193791 0,02193791 0,02193791 1,8e−16 ✓
Engel τ = 0,75: SH(sabit) 29,58666138 29,58666138 29,58666138 2,6e−15 ✓
Engel τ = 0,75: SH(income) 0,03978684 0,03978684 0,03978684 6,6e−16 ✓
Peng-Huang τ = 0,25: sabit 5,6895223 5,6895223 — 9,4e−15 ✓
Peng-Huang τ = 0,25: age −0,00994277 −0,00994277 — 1,1e−14 ✓
Peng-Huang τ = 0,25: sex 0,39248995 0,39248995 — 6,2e−14 ✓
Peng-Huang τ = 0,25: ph.ecog −0,4460333 −0,4460333 — 6,3e−13 ✓
Peng-Huang τ = 0,50: sabit 4,9739024 4,9739024 — 2,3e−15 ✓
Peng-Huang τ = 0,50: age 0,0074461 0,0074461 — 2,7e−16 ✓
Peng-Huang τ = 0,50: sex 0,47600733 0,47600733 — 3,2e−14 ✓
Peng-Huang τ = 0,50: ph.ecog −0,40015065 −0,40015065 — 2,3e−14 ✓
Peng-Huang τ = 0,75: sabit 7,20855971 7,04088459 — 2,3e−2 ✗
Peng-Huang τ = 0,75: age −0,01595742 −0,01344269 — 2,5e−3 ✗
Peng-Huang τ = 0,75: sex 0,28139305 0,29064029 — 9,2e−3 ✗
Peng-Huang τ = 0,75: ph.ecog −0,31895624 −0,3101547 — 8,8e−3 ✗
rqss: aslına uygunluk 6005,21864012 6005,21864012 6005,21864022 1,7e−11 ✓
rqss: etkin serbestlik derecesi 49 49 49 0 ✓
rqss: AIC 2742,73370554 2742,73370554 2742,73370555 2,9e−12 ✓
rqss: SIC 2912,25339573 2912,25339573 2912,25339574 2,7e−12 ✓
rqss: eğri, sıralı 1. gözlem 276,56060965 276,56060965 276,56060965 1,8e−12 ✓
rqss: eğri, sıralı 118. gözlem 612,65334408 612,65334408 612,65334407 1,5e−11 ✓
rqss: eğri, sıralı 235. gözlem 1827,19996444 1827,19996444 1827,19996444 0 ✓

Ölçütü karşılayan: 57/61. Python: scipy.optimize.linprog (HiGHS) ile doğrusal programlar; Portnoy ızgara algoritması ve Peng-Huang kestirim denklemi açık yazılmıştır (quantreg kullanılmadan). R: aynı algoritma lpSolve ile. Engel satırlarında bağımsız sütunlar klasik kantil regresyonun doğrusal programıdır. SH ve GA satırlarında alt örnekler R'nin rastgele sayı akışından (tohum 2026) alınmış, her alt örnekte kestirim bağımsız kodla yeniden yapılmıştır. Peng-Huang satırlarındaki ✗ işaretlerinin nedeni 49.6.1'de açıklanır.

Portnoy kestiricisi, bölünme zamanları ve yeniden örnekleme özetleri 10^{-10} düzeyinde örtüşür; rqss'teki 10^{-11} düzeyindeki fark quantreg'in seyrek iç nokta çözücüsünün yakınsama toleransıdır.

Peng-Huang satırları. Bağımsız sütun, 49.4.5'teki kestirim denklemini köşe çözümü veren bir çözücüyle ve "artığı sıfır olan taban gözlemi risk altındadır" kuralıyla uygular. \tau=0{,}25 ve 0{,}50'de sonuç şablonla 10^{-8} içinde aynıdır; \tau=0{,}75'te ayrışır (sabit terim 7,2086'ya karşı 7,0409). Ayrışmanın nedeni çözüm yolunun tabandaki gözlemlerin risk durumuna duyarlı olmasıdır: quantreg'in kendi kütle kuralı korunup yalnız bağ kuralı değiştirildiğinde quantreg ile örtüşen ızgara sütunu sayısı "taban gözlemi risk altında" kuralıyla 91'de 34, "risk dışında" kuralıyla 98'de 27'dir; en büyük katsayı farkı \tau=0{,}75'te sırasıyla 0,237 ve 0, \tau=0{,}50'de 0,078 ve 0,044 olur (kesif.py). Farklar katsayıların standart hatalarının (sabit terim için 0,94) dörtte biri düzeyindedir. Peng-Huang standart hataları aynı nedenle karşılaştırılmamıştır.

49.7 Çıktıyı okuma

Örnek ayarın konsol çıktısı tek satırdır; sonuçlar tablolardadır:

Sansürlü kantil regresyon: n = 227, τ = 0,25; 0,5; 0,75

Katsayı tablosu (tohum 2026; dört ondalık):

τ Terim Kestirim SH %95 GA p
0,25 (Intercept) 5,7119 0,7328 [4,2730; 7,1454] < 0,0001
age −0,0104 0,0116 [−0,0293; 0,0161] 0,3682
sex 0,3925 0,1616 [0,1090; 0,7425] 0,0152
ph.ecog −0,4476 0,1210 [−0,7151; −0,2406] 0,0002
0,50 (Intercept) 4,9171 0,1820 [4,4356; 5,1491] < 0,0001
age 0,0081 0,0027 [0,0052; 0,0157] 0,0026
sex 0,4803 0,1156 [0,4008; 0,8540] < 0,0001
ph.ecog −0,3971 0,0210 [−0,4604; −0,3779] < 0,0001
0,75 (Intercept) 6,9765 1,0379 [5,0009; 9,0694] < 0,0001
age −0,0140 0,0115 [−0,0376; 0,0074] 0,2245
sex 0,3247 0,2090 [0,0028; 0,8221] 0,1204
ph.ecog −0,2919 0,1580 [−0,5541; 0,0654] 0,0648

Veri özeti tablosu: n = 227, olay = 164, sansürlü = 63, ızgara adımı = 0,01.

Öğe Ne yazar Nasıl yorumlanır
kestirim \hat\beta_k(\tau), log süre ölçeğinde e^{\hat\beta} kantil süresinin çarpanıdır: kadınlarda medyan süre e^{0{,}4803}=1{,}62 kat.
SH Çeyreklere dayalı yeniden örnekleme ölçeği Tohuma bağlıdır; aynı ayar tohum 1 ile ph.ecog (\tau=0{,}25) için 0,1520 verir (burada 0,1210).
GA_alt, GA_ust Asimetrik aralık Kestirim aralığın ortasında değildir.
p Normal dağılıma göre iki yönlü \lvert\hat\beta\rvert/\text{SH}'den; aralık asimetrik olduğundan GA sıfırı dışlarken p büyük çıkabilir (\tau=0{,}75, sex: GA [0,0028; 0,8221], p=0{,}1204).
Veri özeti n, olay, sansürlü, ızgara adımı Olay değerinin doğru seçildiğinin denetimi.
NA notu "bazı kantillerde kestirim yok" İstenen τ, sürecin son etiketinden büyüktür.
Uyarılar quantreg'in verdiği uyarılar (varsa) Çalıştırma durmaz; ileti olduğu gibi aktarılır.

Şekil 49.1. Şablonun çizdiği kantil süreci: age katsayısının τ'ya göre değişimi (örnek veri, Portnoy, ızgara adımı 0,01). Yalnız ilk açıklayıcı çizilir; güven bandı yoktur. 0,97'nin sağındaki bölüm sürecin durduğu noktadan sonraki uzatmadır.

rqss çalıştırmasının (Engel, τ = 0,5, λ = 10) konsol satırı ve uyum tablosu:

rqss: n = 235, tau = 0,50, lambda = 10
Ölçüt Değer
aslına uygunluk Σρ_τ(e) 6005,2186
etkin serbestlik derecesi 49
AIC 2742,7337
SIC 2912,2534

Aynı veride λ değiştirildiğinde:

λ Aslına uygunluk esd AIC SIC
1 2031,4843 157 2449,3185 2992,4734
10 6005,2186 49 2742,7337 2912,2534
100 7428,2758 16 2776,6862 2832,0396
10⁶ 8779,9663 2 2827,2602 2834,1794

λ = 10⁶ satırındaki 8779,9663, Adım 1'deki doğrusal medyan regresyonunun amaç değeridir: eğri doğruya inmiştir ve esd = 2 = p. AIC en küçük λ'yı, SIC λ = 100'ü seçer; AIC bu ölçütte aşırı pürüzlü eğrileri yeğleme eğilimindedir, karar SIC ile ve eğrinin kendisine bakılarak verilir.

Şekil 49.2. rqss kantil eğrisi (Engel verisi, τ = 0,5, λ = 10): gri noktalar gözlemler, mor çizgi kestirilen medyan eğrisi.

Rapor cümlesi (örnek ayar):

Sağkalım süresinin logaritması, sağdan sansür dikkate alınarak Portnoy'un sansürlü kantil regresyonuyla modellendi (n = 227, 164 ölüm; ızgara adımı 0,01; standart hatalar 100 yinelemeli silme-d jackknife ile). Medyan sağkalım süresi kadınlarda erkeklere göre 1,62 kat (katsayı 0,480; SH 0,116; %95 GA [0,401; 0,854]; p < 0,001), ECOG puanındaki her bir birimlik artışta 0,67 kat (katsayı −0,397; SH 0,021; %95 GA [−0,460; −0,378]) olarak kestirildi. Cinsiyetin etkisi birinci çeyrekte 0,392 (SH 0,162), üçüncü çeyrekte 0,325 (SH 0,209) idi.

49.8 Sık hatalar ve tuzaklar

  • Olay değerini varsayılanda bırakmak. Varsayılan 1'dir; lung verisinde ölüm 2'dir. Yanlış değerle çalıştırma hata vermez, sansür ile olay yer değiştirir. Veri özeti tablosundaki olay sayısı denetlenir.
  • Standart hatayı tek çalıştırmadan okumak. SH, GA ve p rastgele alt örneklere dayanır. Yüz yinelemede iki tohum arasında SH %50'ye kadar değişir (age, \tau=0{,}5: 0,0027 ve 0,0018; ph.ecog, \tau=0{,}25: 0,121 ve 0,152; ph.ecog, \tau=0{,}75: p = 0,065 ve 0,024). Karar sınırına yakın sonuçlarda yineleme sayısı artırılır (varsayılan 200, en çok 2000) ve çalıştırmanın tohumu raporlanır.
  • Izgarayı inceltip standart hatanın küçülmesini beklemek. Izgara adımı hem kestirimi hem alt örneklerin kestirimini belirler; adımı küçültmek SH'yi kendiliğinden küçültmez, yalnız kestiricinin tanımladığı ızgarayı inceltir (49.4.6).
  • Izgara adımını çok küçük seçmek. Adım 1/(3n)'den küçükse model kurulamaz; 227 gözlemde 0,001 bu sınırın altındadır.
  • Üst kantilleri yorumlamak. Süreç, tanımlanabilir son düzeyde durur (örnek veride 0,9711). Bu düzeyin üstündeki τ için şablon katsayı, SH, GA ve p yerine NA yazar ve veri özetinde sürecin durduğu düzeyi gösterir; \tau=0{,}98, 0{,}999 ve 0{,}9999 için tablo boştur. Sansür oranının (burada %28) tümleyenine yaklaşan kantiller yorumlanmaz; sürecin nerede durduğu Şekil 49.1'den de okunur.
  • Kantillerin kesişmesi. Her τ ayrı kestirildiğinden katsayılar τ'ya göre tekdüze olmak zorunda değildir: sabit terim 5,71; 4,92; 6,98 sırasını izler. Tek tek katsayılar değil, belirli bir \mathbf x için kestirilen kantiller (\mathbf x^{\top}\hat{\boldsymbol\beta}(\tau)) karşılaştırılır; onların da veri aralığının kenarlarında kesişebileceği akılda tutulur.
  • Az gözlemli düzeyi olan kategorik açıklayıcı. ph.ecog kategorik türe çevrildiğinde 3 puanlı tek hasta ayrı bir gösterge sütunu olur. Bu hastayı dışarıda bırakan alt örneklerde (özellikle xy-pair yeniden örneklemesinde) yeniden örnekleme özeti hesaplanamayabilir; bu durumda katsayılar yazılır, SH, GA ve p sütunları boş (NaN) kalır ve çıktıya "Standart hatalar hesaplanamadı" uyarısı ile tablo başlığında "SH ve GA hesaplanamadı" yazılır. Seyrek düzeyler birleştirilir ya da değişken sayısal bırakılır.
  • Ham süreyi modellemek. log_y kapatıldığında katsayılar gün birimindedir ve toplamsaldır (\tau=0{,}5: sex 155,04 gün). Sağa çarpık sürelerde log ölçeği hem yorumu hem doğrusal kantil varsayımını kolaylaştırır.
  • rqss'i sansürlü veride kullanmak. rqss dalı olay sütununu okumaz; lung verisinde time ~ age eğrisi sansürlü süreleri gözlenmiş süre sayar ve alt yanlı bir eğri verir. Ayrıca rqss yalnız ilk τ'yı kullanır; birden çok kantil eğrisi için şablon her τ ile ayrı çalıştırılır.
  • λ'yı ölçekten bağımsız sanmak. Ceza, eğim farklarının toplamıdır; x ya da y'nin birimi değişirse aynı pürüzlülük için başka bir λ gerekir. λ, esd ve SIC izlenerek seçilir.

49.9 Uzman soruları

S1. Sansür yokken Portnoy kestiricisi neden sıradan kantil regresyona eşit?

Sansürlü gözlem yoksa hiçbir gözlem bölünmez, +\infty'a taşınan kütle sıfırdır ve 49.4.2'deki amaç fonksiyonu \sum\rho_\tau'ya iner. Fark yalnız ızgaradan gelebilir: istenen τ bir ızgara noktası değilse iki komşu çözüm arasında ara değer alınır. Engel verisinde ızgara 0,02'den başlar, 0,25, 0,50 ve 0,75 ızgara noktalarıdır ve çözüm doğrusal programın çözümüyle 10^{-11} içinde aynıdır.

S2. Rapor edilen τ = 0,25 katsayısı gerçekte hangi düzeye aittir?

Portnoy ızgarası ilk kırılma noktası kadar kayar: örnek veride noktalar k\cdot0{,}01+0{,}001111'dedir. \tau=0{,}25 katsayısı, 0,241111 ve 0,251111 çözümlerinin 0,111 ve 0,889 ağırlıklı ortalamasıdır. Kantil süreci parça parça sabit olduğundan çoğu katsayıda iki komşu çözüm aynıdır (sex: 0,392490); farklı olduklarında (age: −0,011768 ve −0,010247) sonuç ikisinin arasındadır. Ara değer, bir doğrusal programın köşesi değildir; ızgara inceldikçe fark kaybolur.

S3. Güven aralığı neden kestirimin etrafında simetrik değil ve SH nereden geliyor?

Aralık, yinelemelerin medyanından çeyreklere olan iki uzaklıktan ayrı ayrı kurulur (49.4.6). sex, \tau=0{,}5: alt uzaklık 0,0112, üst uzaklık 0,0525; aralık [0,4008; 0,8540], kestirim 0,4803. SH bu aralığın yarı genişliğinin z_{0{,}975}'e bölümüdür. Aralık, yinelemelerin medyanı (0,4790) değil kestirimin kendisi etrafında kurulur; yanlılık düzeltmesi yapılmaz.

S4. Güven düzeyi değiştiğinde SH ve p neden değişmiyor?

L ve U'daki f=z_{1-\alpha/2}/z_{0{,}75} çarpanı, \text{SH}=(U-L)/(2z_{1-\alpha/2}) bölümünde sadeleşir: \text{SH}=c\,(q_{0{,}75}-q_{0{,}25})/(2z_{0{,}75}). Güven düzeyi 0,90 yapıldığında SH sütunu aynı kalır (0,7328; 0,0116; …), yalnız aralıklar daralır ([4,5043; 6,9150]).

S5. Silme-d jackknife ile xy-çift bootstrap ne kadar farklı sonuç verir?

Aynı veride ve tohumda, \tau=0{,}5 için age SH'si jackknife ile 0,0027, xy-çift ile 0,0045, Bose-Chatterjee ile 0,0033'tür; sex için 0,1156; 0,1194; 0,1117. age ve ph.ecog'da jackknife en küçük değeri verir. Üç yöntem aynı büyüklüğü kestirir ama yüz yinelemede aralarındaki fark, tohumlar arası farkla aynı düzeydedir. Jackknife daha hızlıdır (her alt örnek daha küçük ve ağırlıksızdır); sonuç yeniden örnekleme yöntemine duyarlıysa yineleme sayısı artırılır.

S6. Portnoy ve Peng-Huang ne zaman ayrışır?

İkisi de aynı koşullu kantil modelini, sansürün açıklayıcılar verildiğinde süreden bağımsız olduğu varsayımıyla kestirir. Portnoy Kaplan-Meier'i, Peng-Huang Nelson-Aalen'i genelleştirir; büyük örneklemde eşdeğerdirler. Örnek veride \tau=0{,}25'te katsayılar üçüncü ondalıkta ayrışır (sabit 5,7119 ve 5,6895), \tau=0{,}75'te fark büyür (6,9765 ve 7,2086) ama standart hatanın (0,97) içinde kalır. İkisi de her ızgara noktasındaki çözümün önceki noktalardaki çözümlere bağlı olması nedeniyle küçük farkları üst kantillere taşır.

S7. Etkin serbestlik derecesi neden "sıfır artıklı gözlem sayısı"?

Doğrusal programın köşe çözümünde serbest parametre sayısı kadar gözlem tam olarak yakalanır. Cezasız, doğrusal kantil regresyonda bu sayı p'dir. rqss'te ceza, eğimin değişebildiği düğüm sayısını sınırlar; her etkin düğüm bir gözlemin daha yakalanmasına karşılık gelir. λ = 10⁶ için esd = 2 (doğru), λ = 10 için 49, λ = 1 için 157'dir (235 gözlemin üçte ikisi eğrinin üstünde: aşırı uyum).

S8. p değerleri neden t değil normal dağılımdan?

quantreg'in sansürlü kantil regresyon özeti z=\hat\beta/\text{SH} için standart normal dağılımı kullanır; serbestlik derecesi tanımlamaz. SH'nin kendisi yeniden örneklemeden geldiğinden küçük örneklemde p değerleri iyimser olabilir. Karar için p yerine güven aralığı ve onun tohuma duyarlılığı birlikte değerlendirilir.

49.10 Kaynaklar

  • Bose, A., & Chatterjee, S. (2003). Generalized bootstrap for estimators of minimizers of convex functions. Journal of Statistical Planning and Inference, 117(2), 225–239. https://doi.org/10.1016/S0378-3758(02)00386-5
  • Kaplan, E. L., & Meier, P. (1958). Nonparametric estimation from incomplete observations. Journal of the American Statistical Association, 53(282), 457–481. https://doi.org/10.1080/01621459.1958.10501452
  • Koenker, R. (2005). Quantile regression. Cambridge University Press. https://doi.org/10.1017/CBO9780511754098
  • Koenker, R. (2008). Censored quantile regression redux. Journal of Statistical Software, 27(6), 1–25. https://doi.org/10.18637/jss.v027.i06
  • Koenker, R. (2025). quantreg: Quantile regression (R package version 6.1). https://doi.org/10.32614/CRAN.package.quantreg
  • Koenker, R., & Bassett, G. (1978). Regression quantiles. Econometrica, 46(1), 33–50. https://doi.org/10.2307/1913643
  • Koenker, R., Ng, P., & Portnoy, S. (1994). Quantile smoothing splines. Biometrika, 81(4), 673–680. https://doi.org/10.1093/biomet/81.4.673
  • Loprinzi, C. L., Laurie, J. A., Wieand, H. S., Krook, J. E., Novotny, P. J., Kugler, J. W., Bartel, J., Law, M., Bateman, M., Klatt, N. E., Dose, A. M., Etzell, P. S., Nelimark, R. A., Mailliard, J. A., & Moertel, C. G. (1994). Prospective evaluation of prognostic variables from patient-completed questionnaires. Journal of Clinical Oncology, 12(3), 601–607. https://doi.org/10.1200/JCO.1994.12.3.601
  • Neocleous, T., Vanden Branden, K., & Portnoy, S. (2006). Correction to Censored regression quantiles by S. Portnoy, 98 (2003), 1001–1012. Journal of the American Statistical Association, 101(474), 860–861. https://doi.org/10.1198/016214506000000087
  • Peng, L., & Huang, Y. (2008). Survival analysis with quantile regression models. Journal of the American Statistical Association, 103(482), 637–649. https://doi.org/10.1198/016214508000000355
  • Portnoy, S. (2003). Censored regression quantiles. Journal of the American Statistical Association, 98(464), 1001–1012. https://doi.org/10.1198/016214503000000954
  • Portnoy, S. (2014). The jackknife's edge: Inference for censored regression quantiles. Computational Statistics & Data Analysis, 72, 273–281. https://doi.org/10.1016/j.csda.2013.10.017
  • Schwarz, G. (1978). Estimating the dimension of a model. The Annals of Statistics, 6(2), 461–464. https://doi.org/10.1214/aos/1176344136
  • Therneau, T. M. (2026). A package for survival analysis in R (R package version 3.8-6). https://CRAN.R-project.org/package=survival