MerQuR+Başvuru Kitabı

134. Zamanla değişen tedavi için marjinal yapısal model (ters olasılık ağırlıkları)

Şablon kimliği: msm_ipw · Kategori: nedensel çıkarım · Dil: R · Dosya: pro/sablonlar/nedensel/msm_ipw.R (satır 1–259; üstbilgi 1–120) · Örnek veri: _ornek/haartdat.csv · Paketler: ipw 1.3.0, survival 3.8-6 (R 4.5.3)

134.1 Ne işe yarar

Bir tedavi zaman içinde başlar, bırakılır ya da değişir ve tedavi kararını etkileyen karıştırıcılar da zamanla değişir; üstelik bu karıştırıcılar önceki tedaviden etkilenir. Tipik örnek: HIV ile yaşayan hastalarda antiretroviral tedavinin (HAART) ölüm üzerindeki etkisi. CD4 sayısı düşük olan hasta tedaviye daha çabuk başlar (karıştırıcı); tedavi CD4 sayısını yükseltir (tedaviden etkilenen karıştırıcı). CD4 sayısını olağan Cox modeline ortak değişken olarak koymak, tedavinin CD4 üzerinden olan dolaylı etkisini de keser ve yanlı sonuç verir; koymamak ise karıştırmayı bırakır. Marjinal yapısal model (MSM) bu açmazı ağırlıklarla çözer (Robins ve ark., 2000): her kişi-aralığı, tedavi geçmişinin olasılığının tersiyle ağırlıklandırılır ve ağırlıklı örnekte karıştırıcı ile tedavi arasındaki bağ kopar.

Şablon, tedavi başlama zamanının bir olasılık modelinden kararlı ters olasılık ağırlıklarını (IPTW), isteğe bağlı olarak bilgilendirici sansür için ters sansür olasılığı ağırlıklarını (IPCW) kurar, bunları çarpar ve ağırlıklı bir sayma süreçli Cox modeli uydurur:

\lambda\big(t\mid\bar A(t)\big)=\lambda_0(t)\,\exp\{\gamma\,A(t)\},\qquad \mathrm{sw}_i(t)=\prod_{s\le t}\frac{\widehat{\Pr}\big(A_i(s)\mid \bar A_i(s-1),V_i\big)}{\widehat{\Pr}\big(A_i(s)\mid \bar A_i(s-1),\bar L_i(s),V_i\big)}
  • A(t): t anındaki tedavi durumu (0/1); \bar A(s-1): tedavi geçmişi.
  • \bar L(s): zamanla değişen karıştırıcılar (örnek veride CD4 sayısının karekökü); V: sabit (başlangıç) değişkenler (cinsiyet, yaş).
  • \mathrm{sw}_i(t): kararlı ağırlık; pay yalnız V'ye, payda \bar L ve V'ye bağlıdır.
  • \gamma: marjinal yapısal modelin tedavi katsayısı; \exp(\gamma) marjinal tehlike oranıdır (HR).

Ne zaman kullanılır?

  • Zamanla değişen bir ikili tedavi, zamanla değişen ve tedaviden etkilenen karıştırıcılar ve olay (ölüm, nüks) süresi varsa; veri her satırın bir birimin (t_{\text{bas}},t_{\text{bit}}] aralığı olduğu sayma süreci biçimindeyse.
  • Bırakma (kayıp) bilgilendiriciyse: sansür ağırlıkları (IPCW) aynı biçimde eklenir.
  • Ham Cox modeli ile ağırlıklı modeli yan yana göstermek (karıştırmanın etkisini görmek) isteniyorsa; şablon ikisini tek tabloda verir.

Ne zaman kullanılmaz?

  • Tedavi tek zamanlıysa: Bölüm 127 dengeleme_agirliklari (ya da Bölüm 125 cift_saglam_aipw). Zamanla değişen karıştırıcılar yoksa bu şablonun getirisi yoktur.
  • Sonuç, çok durumlu bir süreçse (hastalık, iyileşme, ölüm): Bölüm 144 cok_durumlu_msm.
  • Gözlenmeyen karıştırıcıya duyarlılık: Bölüm 131 ihmal_duyarlilik.
  • Tedavi bırakılabiliyor ve bırakma da incelenmek isteniyorsa: tip = all (yalnız havuzlanmış lojistik modelle) ya da zamana göre değişen tedaviyi ayrıca kodlamak gerekir (134.8).

Temel programla ilişki. İki ağırlık modelinin (tedavi ve sansür) kestirilip çarpılması, ağırlıkların kırpılması ve ağırlıklı Cox modelinin birim kümeli sandviç SH'si ile ham Cox modelinin yan yana verilmesi bu şablona özgüdür.

134.2 Şablonun girdileri

Form, üstbilgideki on yedi [[param]] bloğundan kurulur (msm_ipw.R:10–119). Alan türleri ve formun biçimsel denetimi 1.2'de anlatılmıştır; burada yalnız şablona özgü olanlar yer alır.

Alan (form etiketi) · ad Tür · sekme Varsayılan Geçerli değerler Kodda etkisi
Birim (kişi) kimliği · birim kategorik sütun · Değişkenler ilk sütun herhangi bir sütun Küme ve kümülatif çarpım birimi: .id (174–175).
Aralık başlangıcı · baslangic sayısal sütun · Değişkenler ilk sayısal sayısal sütun t_{\text{bas}}; Cox ve survival ağırlık modeli (192, 219).
Aralık sonu · bitis sayısal sütun · Değişkenler ilk sayısal sayısal sütun t_{\text{bit}}; timevar (193, 219).
Sonuç olayı · olay sayısal sütun · Değişkenler ilk sayısal 0/1 sayısal Aralık sonunda olay (161, 219).
Zamanla değişen tedavi · tedavi sayısal sütun · Değişkenler ilk sayısal 0/1 sayısal Ağırlık modelinin yanıtı ve MSM'nin tek ortak değişkeni (161, 192, 219).
Payda modeli · payda sütunlar · Model boş (en az 1) en az bir sütun Zamanla değişen karıştırıcılar ve sabit değişkenler (135–136, 192).
Pay modeli · pay sütunlar · Model boş payda'nın alt kümesi Boşsa kararsız ağırlık; dolu ise kararlı. Birim içinde değişen bir sütun konursa şablon durur (181–183, 194).
Bilgilendirici sansür göstergesi · sansur sayısal sütun · Değişkenler boş 0/1 sayısal ya da boş Doluysa IPCW (133, 205).
Tedavi (ve sansür) modeli · aile seçim · Model survival survival, binomial ipwtm(family =) (192).
Tedavi süreci · tip seçim · Model first first, all ipwtm(type =) (193); all yalnız binomial.
Ağırlık kırpma yüzdeliği · kirpma ondalık · Seçenekler 0 0–0,2 >0 ise ipwtm(trunc =); tedavi ve sansür ağırlıklarına ayrı ayrı uygulanır (196, 200).
Lojistik ağırlık bağlantısı · baglanti seçim · Model logit logit, probit, cloglog Yalnız binomial'de link = (195).
Lojistik ağırlık modeline izlem zamanını ekle · zaman_terimi onay · Gelişmiş kapalı açık / kapalı Yalnız binomial'de payda (ve pay doluysa pay) modeline splines::ns(bitis, df = 3) ekler (185–188, 192–194).
Payda değişkenlerindeki eksikleri birimin son gözlemiyle doldur · eksik_son_gozlem onay · Gelişmiş kapalı açık / kapalı Satır atmadan önce payda sütunlarını birim içinde (bitişe göre sıralı) son gözlemle doldurur (146–156).
Sonuç (MSM) modeline pay değişkenlerini de ekle · sonuc_pay onay · Gelişmiş kapalı açık / kapalı Pay doluysa sonuç modeli Surv ~ tedavi + pay olur; ham Cox yalnız tedaviyi içerir (219–222).
Cox'ta bağ yöntemi · baglar seçim · Gelişmiş efron efron, breslow Yalnız sonuç modelinde ties = (224).
Güven düzeyi · guven ondalık · Seçenekler 0,95 0,5–0,999 HR'nin güven aralığı (234).

Örnek ayar (ornek_param, satır 9): birim = patient, baslangic = tstart, bitis = fuptime, olay = event, tedavi = haartind, payda = [cd4.sqrt, sex, age], pay = [sex, age], sansur = dropout, aile = survival, tip = first, kirpma = 0. Varsayılandan farkı: tüm sütun atamaları ve pay, sansur.

Şablonun kendi denetimleri.

Koşul İleti (özet) Satır
Veri açık değil "Önce Veri sekmesinde bir veri açın." 124
payda (tedavi, olay, birim ve zaman sütunları çıkarılınca) boş "Payda modeline tedavi, olay ve zaman dışında en az bir değişken seçin." 136
pay, payda'nın alt kümesi değil "Pay modelindeki değişkenler payda modelinde de bulunmalı." 137
Pay modelindeki bir sütun birim içinde değişiyor "Pay modelindeki '…' birim içinde değişiyor (zamanla değişen değişken); pay modeli yalnız sabit (başlangıç) değişkenler içermelidir. …" 181–183
tip = all ve aile = survival "'Her aralıkta tedavi durumu' yalnız lojistik tedavi modeliyle kullanılabilir." 138
Birim, başlangıç, bitiş, olay, tedavi aynı sütun değil "Birim, başlangıç, bitiş, olay ve tedavi farklı sütunlar olmalı." 145
Tam satır sayısı <20 "En az 20 tam satır gerekli." 159
Zaman, olay, tedavi, sansür sütunları sayısal değil "'…' sayısal olmalı." 160
Olay, tedavi ya da sansür 0/1 değil "'…' 0/1 olmalı." 161
Bir satırda t_{\text{bit}}\le t_{\text{bas}} "Her satırda aralık sonu başlangıçtan büyük olmalı." 162
Olay sayısı <3 "En az 3 sonuç olayı gerekli." 163
Tedavi hiç değişmiyor "Tedavi değişkeni değişmiyor (hep 0 ya da hep 1)." 164
Bir payda değişkeni sabit "'…' sabit (tek düzeyli); modelden çıkarın." 165–173
Bir payda sütunu \max(30;\ n/20)'den çok düzeyli metin/kategorik "'…' … düzeyli bir metin/kategorik sütun; sayısal olması gereken bir sütun metin türünde olabilir (ör. ondalık virgül). …" 168–170
Tedavi ya da sansürde <3 olay (1) "'…' için en az 3 olay (1) gerekli." 191
Ağırlık modeli kurulamadı "'…' ağırlık modeli kurulamadı: …" 198
Ağırlık sonlu değil "'…' ağırlıkları sonlu değil (pozitiflik ihlali olabilir)." 201
Ağırlıklı Cox yakınsamadı, katsayı sonsuza gidiyor (|\hat\gamma|>10 ya da model SH'si >100) "Ağırlıklı Cox modeli yakınsamadı ya da kestirim sonsuza gidiyor …; sonuçlar güvenilir değil." 233, 240–241

Sütun adlarının ayıklanması. Seçilen payda listesinden tedavi, olay, birim, başlangıç ve bitiş sütunları çıkarılır; pay listesinden tedavi, olay ve birim (139–143). Hangi sütunların çıkarıldığı konsola yazılır ("Not: seçilen şu sütunlar ağırlık modelinden çıkarıldı …"). Gecikmeli tedavi ağırlık modeline bu sütunla eklenemez; gerekirse aynı değerli, farklı adlı bir sütun kopyası kurulmalıdır (134.8). İzlem zamanı için lojistik modelde zaman_terimi seçeneği vardır (185–188). Pay listesindeki bir değişkenin payda listesinde de bulunması gerekir (137); pay listesinde birim içinde değişen bir değişken varsa çalıştırma durur (181–183).

Eksik değerler. Seçilen sütunların herhangi birinde eksik olan satır atılır ve atılan satır sayısı konsola yazılır (157–159). Bir birimin ortasından satır atılırsa o aralığın ağırlık çarpanı kümülatif çarpımdan eksik kalır; şablon bu aralık boşluklarını sayar ve uyarır (176–180). eksik_son_gozlem açıkken payda sütunlarındaki eksikler birimin önceki gözlemiyle doldurulur ve yalnız ilk aralığı eksik olan satırlar atılır (146–156); üç eksikli örnekte \log\mathrm{HR}=-0{,}93802 çıkar (eksiksiz veride -0{,}93781).

Sayısal rol aktarımı. Başlangıç, bitiş, olay, tedavi ve sansür sayısal rollerdir; Veri sekmesindeki türleri ne olursa olsun R'ye sayı olarak gider (1.3). payda ve pay listesi sayısal koşul taşımayan sutunlar türündedir: türü "kategorik" olan sütun (örn. sex) factor olur ve düzeylerine açılır; sayısal olması gereken bir sütun metinse (örn. ondalık virgüllü cd4.sqrt) düzey sayısı \max(30;\ n/20)'yi aşınca şablon "sayısal olması gereken bir sütun metin türünde olabilir" iletisiyle durur (168–170; 134.8).

Tohum. Şablon rastgele sayı kullanmaz: Cox ve lojistik modeller deterministiktir. Kod panelindeki isteğe bağlı Tohum alanına 1 ya da 987654 yazıldığında örnek ayarın sonuçları (\log\mathrm{HR}=-0{,}93780878; sandviç SH 0{,}45235574) birebir aynıdır (ortak işleyiş 1.3'te).

134.3 Örnek veri

_ornek/haartdat.csv: ipw paketinin haartdat verisidir (van der Wal ve Geskus, 2011). 1200 hasta, HIV serokonversiyonundan başlayarak 100 günlük aralıklarla izlenir; her satır bir aralığı gösterir (sayma süreci gösterimi); veri simüle edilmiştir ve ağırlıklandırmayı göstermek için hazırlanmıştır. Her hastanın ilk aralığının başlangıcı -100 alınmıştır ki HAART'a başlama modeli \text{fuptime}=0'da da tahmin edilebilsin. Eksik değer yoktur.

Değişken Rol Tür (veri sekmesinin algıladığı) Özet
patient birim sayısal (kimlik) 1200 hasta, 19175 satır; hasta başına 1–38 satır (ort. 15{,}98)
tstart, fuptime başlangıç, bitiş sayısal gün; -100 ile 3700
haartind tedavi ikili aralık sonunda HAART başlatıldı mı; 376 hasta başlamış, 5162 satırda 1
event sonuç olayı ikili aralık sonunda ölüm; toplam 31 olay (tedavisiz satırlarda 24, tedavili satırlarda 7)
cd4.sqrt payda sayısal CD4 sayısının karekökü ('fuptime'da, haartind'den önce); ort. 22{,}93
sex, age pay ve payda ikili, sayısal cinsiyet (0 erkek, 1 kadın; hastaların \%20{,}8'i kadın), izlem başlangıcındaki yaş (ort. 34{,}2)
dropout sansür ikili aralık sonunda kayıp; 690 hastanın son satırı
endtime — sayısal bu şablonda kullanılmaz

Veride tedavi geri alınmaz: hiçbir hasta haartind =1'den 0'a dönmez (türev veri haart_geri.csv bu varsayımı bozar; 134.8).

Bu bölümde kullanılan çalıştırmalar. Örnek ayar (mi_ornek); sansürsüz; kırpma 0{,}01 ve 0{,}05; kararsız ağırlık (pay boş); lojistik (first, all; logit, probit, cloglog); Breslow bağları; pay modeline zamanla değişen değişken; zayıf örtüşme, eksik değer, ondalık virgül, 100 hastalık altküme ve öteki uç türev veriler (134.8).

134.4 Yöntem: formüller ve hesap adımları

Hesap sırası: veri hazırlanır ve satırlar (birim, bitiş) sırasına dizilir (124–175); tedavi için ipwtm ile ağırlık kurulur (190–204); sansür seçilmişse aynı işlev ikinci kez çağrılır (205); iki ağırlık çarpılır (206); ağırlık özeti yazılır (207–218); ağırlıklı ve ham Cox modelleri uydurulur (219–245); metin ve şekil yazılır (246–257).

134.4.1 Sayma süreci düzeni ve ilk başlama

Her satır bir birimin (t_{\text{bas}},t_{\text{bit}}] aralığıdır; olay ve tedavi aralığın sonunda gözlenir. tip = first seçeneğinde birimin ağırlık modeline yalnız ilk başlamaya kadar (başlama satırı dahil) olan aralıkları girer; başladıktan sonra ağırlık sabit kalır (başlama sonrası olasılık çarpanı 1). tip = all seçeneğinde (yalnız lojistik) her aralıktaki tedavi durumu modellenir. Örnek veride ağırlık modeline 14389 satır girer (19175 satırdan; kalanı başladıktan sonraki satırlardır).

134.4.2 Kararlı ağırlıklar ve Cox tabanlı başlama modeli

aile = survival seçeneğinde başlamaya kadar geçen süre iki ayrı Cox modeliyle (Efron bağları; coxph(Surv(tstart, tstop, tedavi) ~ x)) modellenir: payda x=(\bar L,V), pay x=V (192–197). Aralık s içinde başlamama olasılığı

\hat p_{is}=\exp\!\big\{-\Delta\hat H_0(t_s)\,e^{x_{is}^\top\hat\beta}\big\},\qquad \text{ilk başlama aralığında: }\ 1-\hat p_{is}

ve kümülatif çarpım \prod_{s\le t} alınır; kararlı ağırlık pay çarpımının payda çarpımına oranıdır:

\mathrm{sw}_i(t)=\prod_{s\le t}\frac{\hat p^{\,\text{pay}}_{is}}{\hat p^{\,\text{payda}}_{is}}
  • t_s: aralığın bitiş zamanı; \Delta\hat H_0(t_s): o zamandaki taban tehlike artışı (başlama olayı olmayan zamanlarda 0).
  • \hat\beta: Cox katsayıları (payda ya da pay modelinin); x_{is}: satırın değişken vektörü.

Taban tehlike artışı Efron bağlarıyla bulunur: t zamanında d başlama olayı varsa, risk kümesindeki S_0=\sum_{j\in R(t)}e^{x_j^\top\hat\beta} ve başlayanların toplamı T_0=\sum_{j\in D(t)}e^{x_j^\top\hat\beta} ile

\Delta\hat H_0(t)=\sum_{k=0}^{d-1}\frac{1}{S_0-\frac{k}{d}\,T_0}

(survival::basehaz ile aynı; 134.6.1'de 10^{-6} içinde doğrulanmıştır). Örnek veride 100 günlük aralıklar çok sayıda aynı zamanlı başlama (bağ) üretir; bu nedenle Efron biçimi Breslow'dan farklıdır.

Neden pay modeli

Pay modeli olmadan ağırlık 1/\hat p^{\,\text{payda}} olur (kararsız ağırlık): ağırlıkların ortalaması 1'den çok büyüktür ve dağılımları geniştir (örnek veride ortalama 13{,}16, en büyük 406{,}34). Pay modeli, ağırlıkları sabit değişkenlere göre koşullanmış ortalamada 1'e çeker (örnek veride ortalama 1{,}039, en büyük 7{,}126) ve MSM'nin tedavi katsayısını V'ye koşullu yorumlamayı sağlar; ağırlıklı örnekte yapısal modelin kapsadığı V dışındaki karıştırıcılar dengelenir (Robins ve ark., 2000; Cole ve Hernán, 2008).

134.4.3 Havuzlanmış lojistik model (aile = binomial)

Cox modeli yerine her aralığa bir 0/1 gözlem kurulur ve \Pr(A=1\mid x)=g^{-1}(x^\top\hat\theta) olan lojistik (ya da probit, cloglog) bağlantılı bir glm uydurulur (type = first için yalnız ilk başlamaya kadar olan satırlarda; 135). Aralık çarpanı: başlama yoksa 1-\hat\pi_{is}, başlama varsa \hat\pi_{is} (type = all: tedavi durumu 0 ise 1-\hat\pi, 1 ise \hat\pi). Ağırlık yine pay ve paydanın kümülatif çarpımlarının oranıdır.

Koddaki tercih

Şablon bitis ve baslangic sütunlarını payda listesinden çıkarır; bu nedenle havuzlanmış lojistik modelde zaman terimi varsayılanda yoktur ve taban başlama olasılığı zamandan bağımsız sabit sayılır; oysa havuzlanmış lojistik yaklaşımın Cox modeline denk olması için zaman terimi gerekir (Hernán ve Robins, 2020). zaman_terimi seçeneği payda (ve pay doluysa pay) modeline \mathrm{ns}(t_{\text{bit}},\ 3\ \text{sd}) ekler (185–188). Örnek veride lojistik (first) zamansız \mathrm{HR}=0{,}357, zaman terimiyle 0{,}382 ve Cox tabanlı 0{,}392 verir (134.7).

134.4.4 Bilgilendirici sansür (IPCW)

sansur seçildiğinde sansür göstergesi bir "başlama olayı" gibi ele alınır ve aynı işlev aynı pay ve payda değişkenleriyle ikinci kez çağrılır (type her zaman first; 133). Ağırlıklar çarpılır, w_i=\mathrm{sw}^{\text{tedavi}}_i\cdot\mathrm{sw}^{\text{sansür}}_i (206). Örnek veride sansür ağırlıkları [0{,}564;\ 2{,}335] arasındadır ve ortalama 0{,}9986'dır.

134.4.5 Kırpma

kirpma = c >0 ise ağırlıklar iki uçtan c ve 1-c yüzdeliklerine çekilir (ipwtm(trunc =); 196, 200). Tedavi ve sansür ağırlıkları ayrı ayrı kırpılır (form etiketi de bunu söyler) ve çarpımları ayrıca kırpılmaz; çarpım, kırpma sınırının dışına çıkabilir (örnek veride c=0{,}01: tedavi ağırlığı en çok 2{,}5181, sansür 1{,}1516, çarpım 2{,}8842).

134.4.6 Ağırlıklı Cox modeli ve birim kümeli sandviç SH

Sonuç modeli, ağırlıklı sayma süreçli Cox modelidir: \mathrm{Surv}(t_{\text{bas}},t_{\text{bit}},\text{olay})\sim\text{tedavi}, weights = .w, cluster = .id (219–231). Efron bağlarında ağırlıklı kısmi olabilirlik şudur (D_t: t anındaki olaylar, d_t=|D_t|):

\ell(\gamma)=\sum_{t}\Big[\sum_{i\in D_t}w_i\,\gamma A_i-\bar w_{D_t}\sum_{k=0}^{d_t-1}\log\Big(S_0^{(w)}(t)-\tfrac{k}{d_t}T_0^{(w)}(t)\Big)\Big]
  • w_i: kişi-aralığının ağırlığı (\mathrm{sw}^{\text{tedavi}}\cdot\mathrm{sw}^{\text{sansür}}); \bar w_{D_t}: D_t'deki olayların ortalama ağırlığı.
  • S_0^{(w)}=\sum_{j\in R(t)}w_je^{\gamma A_j}, T_0^{(w)}=\sum_{j\in D_t}w_je^{\gamma A_j}: ağırlıklı risk kümesi ve olay toplamları.

Breslow seçeneğinde (k=0 alınır) paydalar S_0^{(w)}'dir. \hat\gamma Newton–Raphson'la bulunur. Standart hata, birim kümeli sandviçtir: \widehat V=\hat I^{-1}\big(\sum_g u_gu_g^\top\big)\hat I^{-1}; \hat I ağırlıklı gözlenen bilgi ve u_g, birim g'nin satırlarının ağırlıklı puan artıklarının toplamıdır (Lin ve Wei, 1989). Güven aralığı \exp\{\hat\gamma\pm z_{(1+g)/2}\,\mathrm{SH}\} ve p=2\Phi(-|\hat\gamma/\mathrm{SH}|)'dir (234–239). Tablodaki SH_model ağırlıkları vaka ağırlığı sayan bilgi tersidir (geçerli SH değildir, karşılaştırma içindir).

Sandviç SH ağırlık kestirimini hesaba katmaz

Birim kümeli sandviç, ağırlıkları bilinen sayar; iki Cox (ya da lojistik) modelinin kestirim belirsizliği SH'ye girmez. Ağırlıklar kestirildiğinde asimptotik varyansın bilinen ağırlıklı değerden küçük olması beklenir; bu yüzden bu SH tutucu sayılır (Robins ve ark., 2000). Ağırlık kestirimini de içeren SH için önyükleme (birim düzeyinde yeniden örnekleme) ya da yığılmış tahmin denklemleri gerekir; şablon ikisini de sunmaz. Örnek veride model tabanlı SH 0{,}4300, sandviç SH 0{,}4524'tür.

134.4.7 Varsayımlar

Nedensel yorum dört varsayıma dayanır: tutarlılık, değiştirilebilirlik (ölçülmemiş karıştırıcı yok; \bar L ve V tüm karıştırıcıları kapsar), pozitiflik (her x ve geçmiş için tedavi olasılığı 0 ve 1'den uzak) ve ağırlık modelinin doğru belirtilmesi; ayrıca sonuç modelinin (zamandan bağımsız sabit HR, yalnızca güncel tedavi durumuna bağlı tehlike) doğru olması gerekir. Şablon bunları konsola yazar (246–247) ama sınamaz.

134.5 Kod adım adım

Satırlar Ne yapar Neden / dikkat
121–122 Dil yardımcısı; ipw ve survival yüklenir.
124–164 Çeviri yardımcısı .cv (125–134); veri, pay/payda listeleri ve çıkarılan sütunların notu (135–143); eksik satırların doldurulması ya da atılması (146–159); sütun ve değer denetimleri. payda'dan tedavi, olay, birim, zaman çıkarılır ve konsola yazılır (139–143); 0/1, sayısal ve aralık denetimleri (160–164).
165–175 payda değişkenleri factora çevrilir, sabitlik denetimi; satırlar (birim, bitiş) sırasına dizilir; .id kurulur. Sayısal olmayan payda değişkeni faktör olur; düzey sayısı çok büyükse (ondalık virgüllü metin) iletiyle durur (165–170). Pay modelinde birim içi değişen sütun denetlenir (181–183).
176–189 Aralık boşluğu uyarısı (176–180); pay modelinde zamanla değişen değişken denetimi (181–183); formül yardımcıları ve isteğe bağlı zaman terimi; uyarı toplayıcı. Sütun adları ters tırnakla korunur (184); zaman_terimi yalnız binomial'de (185–188).
190–203 agirlik(): bir "maruziyet" (tedavi ya da sansür) için ipwtm çağrısı; kırpma; sonluluk. Sansür için type her zaman first (193).
204–206 Tedavi ve sansür ağırlıkları; çarpım .w. Sansür yoksa 1.
207–218 Ağırlık dağılımı tablosu; ortalaması 1'den >0{,}1 saparsa uyarı. Kararlı ağırlıkta ortalama uyarısı yalnız pay doluyken (217); kararsız ağırlıkta en büyük çarpım ağırlığı >20 ya da ESS <n/10 ise ayrı uyarı (214–216).
219–245 Ağırlıklı ve ham Cox; HR ve GA tablosu. cluster = .id; SH_sandvic kullanılır (236–238).
246–249 Konsol metni ve uyarılar. Cox yakınsama uyarıları Türkçeye çevrilir (.cv, 125–134); yakınsamayan ağırlıklı model durdurulur (233–241).
250–257 Zamana göre log-ağırlık kutu grafiği. Zaman ondalık dilimlere bölünür; aykırı değerler çizilmez.

Kritik satırlar:

arg <- list(exposure = as.name(maruz), family = aile, denominator = fr(payda, zf), id = quote(.id),
            timevar = as.name(bitis), type = if (identical(etiket, "sansur")) "first" else tip, data = quote(d))   # 192–193
w <- do.call(ipwtm, arg)                                                                                          # 197
m1 <- coxph(Surv(tstart, tstop, olay) ~ tedavi, data = d, cluster = .id, ties = baglar, weights = .w)             # 223–228 (özet; sonuc_pay açıkken ~ tedavi + pay)

Kodda aile, tip, baglar vb. formdaki P listesinin elemanlarıdır; fr() değişken adlarından tek taraflı formül kurar.

134.6 Elle hesap: örnek veride bağımsız yeniden hesap

Örnek ayarın tüm ara değerleri ipw paketi ve şablon kodu kullanılmadan hesaplanmıştır: Python'da (dogrulama/msm_ipw/elle_hesap.py, cox_el.py, ara_degerler.py) yalnız numpy ile elle yazılmış sayma süreçli Cox kısmi olabilirliği (Efron ve Breslow), taban tehlike artışı, havuzlanmış lojistik regresyon (Fisher puanlaması) ve birim kümeli sandviç; R'de (r_dogrulama.R) survival::coxph ve glm ile açık formüllerle.

Adım 1 — başlama modelleri. Ağırlık modeline 14389 satır girer; 376 hasta HAART'a başlar. Payda Cox modeli: \hat\beta_{\text{cd4.sqrt}}=-0{,}09262 (SH 0{,}01007), \hat\beta_{\text{sex}}=-0{,}00776, \hat\beta_{\text{age}}=0{,}004671 (CD4 sayısı yükseldikçe başlama tehlikesi düşer). Pay Cox modeli: \hat\beta_{\text{sex}}=0{,}06942, \hat\beta_{\text{age}}=0{,}007521.

Adım 2 — taban tehlike artışı. Efron biçimiyle, otuz farklı başlama zamanında. İlk artışlar (t=0{,}100{,}200{,}300{,}400): payda 0{,}15001;\ 0{,}25503;\ 0{,}29929;\ 0{,}20758;\ 0{,}25806; pay 0{,}018582;\ 0{,}031349;\ 0{,}037005;\ 0{,}025321;\ 0{,}031500.

Adım 3 — bir satırın ağırlığı (hasta 1, ilk satır). x_{\text{payda}}=(23{,}8328;\ 1;\ 22), x_{\text{pay}}=(1;\ 22). Doğrusal öngörüler -2{,}11239 ve 0{,}234884. \hat p^{\,\text{payda}}=\exp\{-0{,}15001\,e^{-2{,}11239}\}=0{,}982020; \hat p^{\,\text{pay}}=\exp\{-0{,}018582\,e^{0{,}234884}\}=0{,}976772; \mathrm{sw}=0{,}976772/0{,}982020=0{,}994656 (şablonun bağımsız hesabında 0{,}9946565). Aynı hastanın başlama satırı (8. satır, t\in(600{,}700]) ağırlığı 1{,}4292'dir: başlamayı beklemeyen biri başladığı için ağırlık artar.

Adım 4 — sansür ağırlığı ve çarpım. Aynı yol dropout ile yinelenir; hasta 1'in ilk satırı 0{,}99985. Ağırlık özeti (tedavi): en küçük 0{,}24588, ortanca 0{,}98617, ortalama 1{,}03896, en büyük 7{,}12572; çarpım: 0{,}18650;\ 0{,}98616;\ 1{,}03463;\ 8{,}09765.

Adım 5 — ağırlıklı Cox. Newton–Raphson, |\Delta\gamma|<10^{-11}'de durur: \hat\gamma=-0{,}9378088; bilgi tersi 0{,}184869 (\mathrm{SH}_{\text{model}}=0{,}4300); küme toplamlarından sandviç varyans 0{,}204626 (\mathrm{SH}=0{,}452356). \mathrm{HR}=e^{-0{,}9378088}=0{,}391485; %95 GA [0{,}161313;\ 0{,}950081]. Ham (ağırlıksız) model: \hat\gamma=-0{,}586168, \mathrm{HR}=0{,}5565.

134.6.1 Doğrulama: MerQuR+, Python ve R

Büyüklük MerQuR+ Python (bağımsız) R (bağımsız) En büyük fark
örnek ayar (Cox, ilk başlama, IPCW): tedavi ağırlığı, en küçük 0,24587959 0,24587959 0,24587959 1,9e−10 ✓
örnek ayar (Cox, ilk başlama, IPCW): tedavi ağırlığı, 1. çeyrek 0,90357182 0,90357182 0,90357182 8,5e−11 ✓
örnek ayar (Cox, ilk başlama, IPCW): tedavi ağırlığı, ortanca 0,98616534 0,98616534 0,98616534 1,5e−10 ✓
örnek ayar (Cox, ilk başlama, IPCW): tedavi ağırlığı, ortalama 1,03895986 1,03895986 1,03895986 2,8e−11 ✓
örnek ayar (Cox, ilk başlama, IPCW): tedavi ağırlığı, 3. çeyrek 1,06106909 1,06106909 1,06106909 6,6e−10 ✓
örnek ayar (Cox, ilk başlama, IPCW): tedavi ağırlığı, en büyük 7,12571695 7,12571698 7,12571695 3,5e−9 ✓
örnek ayar (Cox, ilk başlama, IPCW): sansür ağırlığı, en küçük 0,56400021 0,56400021 0,56400021 3,8e−11 ✓
örnek ayar (Cox, ilk başlama, IPCW): sansür ağırlığı, 1. çeyrek 0,98746238 0,98746238 0,98746238 2,6e−11 ✓
örnek ayar (Cox, ilk başlama, IPCW): sansür ağırlığı, ortanca 0,99980464 0,99980464 0,99980464 1,1e−12 ✓
örnek ayar (Cox, ilk başlama, IPCW): sansür ağırlığı, ortalama 0,99855408 0,99855408 0,99855408 1,2e−11 ✓
örnek ayar (Cox, ilk başlama, IPCW): sansür ağırlığı, 3. çeyrek 1,01029245 1,01029245 1,01029245 7,3e−11 ✓
örnek ayar (Cox, ilk başlama, IPCW): sansür ağırlığı, en büyük 2,33477239 2,3347724 2,33477239 3,3e−9 ✓
örnek ayar (Cox, ilk başlama, IPCW): çarpım ağırlığı, en küçük 0,18649568 0,18649568 0,18649568 1,6e−10 ✓
örnek ayar (Cox, ilk başlama, IPCW): çarpım ağırlığı, 1. çeyrek 0,89469773 0,89469773 0,89469773 2,3e−10 ✓
örnek ayar (Cox, ilk başlama, IPCW): çarpım ağırlığı, ortanca 0,98616073 0,98616073 0,98616073 9,9e−11 ✓
örnek ayar (Cox, ilk başlama, IPCW): çarpım ağırlığı, ortalama 1,034634 1,034634 1,034634 1,3e−11 ✓
örnek ayar (Cox, ilk başlama, IPCW): çarpım ağırlığı, 3. çeyrek 1,07056477 1,07056477 1,07056477 9,5e−10 ✓
örnek ayar (Cox, ilk başlama, IPCW): çarpım ağırlığı, en büyük 8,0976531 8,09765315 8,0976531 6,9e−9 ✓
örnek ayar (Cox, ilk başlama, IPCW): MSM (ağırlıklı), log HR −0,93780878 −0,93780878 −0,93780878 2,7e−10 ✓
örnek ayar (Cox, ilk başlama, IPCW): MSM (ağırlıklı), SH (model) 0,42996339 0,42996339 0,42996339 3,8e−11 ✓
örnek ayar (Cox, ilk başlama, IPCW): MSM (ağırlıklı), SH (sandviç) 0,45235574 0,45235574 0,45235574 1,5e−10 ✓
örnek ayar (Cox, ilk başlama, IPCW): MSM (ağırlıklı), HR 0,39148473 0,39148473 0,39148473 1,1e−10 ✓
örnek ayar (Cox, ilk başlama, IPCW): MSM (ağırlıklı), GA alt 0,16131283 0,16131283 0,16131283 9,3e−11 ✓
örnek ayar (Cox, ilk başlama, IPCW): MSM (ağırlıklı), GA üst 0,95008121 0,95008121 0,95008121 2,5e−11 ✓
örnek ayar (Cox, ilk başlama, IPCW): MSM (ağırlıklı), p 0,03815679 0,03815679 0,03815679 9,0e−12 ✓
örnek ayar (Cox, ilk başlama, IPCW): ham Cox, log HR −0,58616788 −0,58616788 −0,58616788 1,2e−14 ✓
örnek ayar (Cox, ilk başlama, IPCW): ham Cox, SH (model) 0,43683309 0,43683309 0,43683309 1,1e−15 ✓
örnek ayar (Cox, ilk başlama, IPCW): ham Cox, SH (sandviç) 0,42929503 0,42929503 0,42929503 3,2e−15 ✓
örnek ayar (Cox, ilk başlama, IPCW): ham Cox, HR 0,55645561 0,55645561 0,55645561 6,8e−15 ✓
örnek ayar (Cox, ilk başlama, IPCW): ham Cox, GA alt 0,23989099 0,23989099 0,23989099 4,6e−15 ✓
örnek ayar (Cox, ilk başlama, IPCW): ham Cox, GA üst 1,29076481 1,29076481 1,29076481 6,2e−15 ✓
sansürsüz (IPCW yok): tedavi ağırlığı, en küçük 0,24587959 0,24587959 0,24587959 1,9e−10 ✓
sansürsüz (IPCW yok): tedavi ağırlığı, 1. çeyrek 0,90357182 0,90357182 0,90357182 8,5e−11 ✓
sansürsüz (IPCW yok): tedavi ağırlığı, ortanca 0,98616534 0,98616534 0,98616534 1,5e−10 ✓
sansürsüz (IPCW yok): tedavi ağırlığı, ortalama 1,03895986 1,03895986 1,03895986 2,8e−11 ✓
sansürsüz (IPCW yok): tedavi ağırlığı, 3. çeyrek 1,06106909 1,06106909 1,06106909 6,6e−10 ✓
sansürsüz (IPCW yok): tedavi ağırlığı, en büyük 7,12571695 7,12571698 7,12571695 3,5e−9 ✓
sansürsüz (IPCW yok): MSM (ağırlıklı), log HR −0,99210845 −0,99210845 −0,99210845 4,8e−10 ✓
sansürsüz (IPCW yok): MSM (ağırlıklı), SH (model) 0,44909205 0,44909205 0,44909205 5,0e−11 ✓
sansürsüz (IPCW yok): MSM (ağırlıklı), SH (sandviç) 0,46132814 0,46132814 0,46132814 1,5e−11 ✓
sansürsüz (IPCW yok): MSM (ağırlıklı), HR 0,37079406 0,37079406 0,37079406 1,8e−10 ✓
sansürsüz (IPCW yok): MSM (ağırlıklı), GA alt 0,1501238 0,1501238 0,1501238 6,8e−11 ✓
sansürsüz (IPCW yok): MSM (ağırlıklı), GA üst 0,91583238 0,91583238 0,91583238 4,7e−10 ✓
sansürsüz (IPCW yok): MSM (ağırlıklı), p 0,03151187 0,03151187 0,03151187 8,8e−11 ✓
sansürsüz (IPCW yok): ham Cox, log HR −0,58616788 −0,58616788 −0,58616788 1,2e−14 ✓
sansürsüz (IPCW yok): ham Cox, SH (model) 0,43683309 0,43683309 0,43683309 1,1e−15 ✓
sansürsüz (IPCW yok): ham Cox, SH (sandviç) 0,42929503 0,42929503 0,42929503 3,2e−15 ✓
sansürsüz (IPCW yok): ham Cox, HR 0,55645561 0,55645561 0,55645561 6,8e−15 ✓
sansürsüz (IPCW yok): ham Cox, GA alt 0,23989099 0,23989099 0,23989099 4,6e−15 ✓
sansürsüz (IPCW yok): ham Cox, GA üst 1,29076481 1,29076481 1,29076481 6,2e−15 ✓
kırpma 0,01: tedavi ağırlığı, en küçük 0,47812893 0,47812893 0,47812893 1,2e−9 ✓
kırpma 0,01: tedavi ağırlığı, 1. çeyrek 0,90357182 0,90357182 0,90357182 8,5e−11 ✓
kırpma 0,01: tedavi ağırlığı, ortanca 0,98616534 0,98616534 0,98616534 1,5e−10 ✓
kırpma 0,01: tedavi ağırlığı, ortalama 1,029672 1,029672 1,029672 8,7e−12 ✓
kırpma 0,01: tedavi ağırlığı, 3. çeyrek 1,06106909 1,06106909 1,06106909 6,6e−10 ✓
kırpma 0,01: tedavi ağırlığı, en büyük 2,51805934 2,51805934 2,51805934 7,9e−10 ✓
kırpma 0,01: sansür ağırlığı, en küçük 0,85069918 0,85069918 0,85069918 2,4e−10 ✓
kırpma 0,01: sansür ağırlığı, 1. çeyrek 0,98746238 0,98746238 0,98746238 2,6e−11 ✓
kırpma 0,01: sansür ağırlığı, ortanca 0,99980464 0,99980464 0,99980464 1,1e−12 ✓
kırpma 0,01: sansür ağırlığı, ortalama 0,99821256 0,99821256 0,99821256 2,1e−13 ✓
kırpma 0,01: sansür ağırlığı, 3. çeyrek 1,01029245 1,01029245 1,01029245 7,3e−11 ✓
kırpma 0,01: sansür ağırlığı, en büyük 1,15155963 1,15155963 1,15155963 8,5e−10 ✓
kırpma 0,01: çarpım ağırlığı, en küçük 0,40674389 0,40674389 0,40674389 1,1e−9 ✓
kırpma 0,01: çarpım ağırlığı, 1. çeyrek 0,89467572 0,89467572 0,89467572 1,6e−10 ✓
kırpma 0,01: çarpım ağırlığı, ortanca 0,98609311 0,98609311 0,98609311 9,5e−12 ✓
kırpma 0,01: çarpım ağırlığı, ortalama 1,02626787 1,02626787 1,02626787 7,0e−12 ✓
kırpma 0,01: çarpım ağırlığı, 3. çeyrek 1,07053058 1,07053058 1,07053058 3,0e−10 ✓
kırpma 0,01: çarpım ağırlığı, en büyük 2,88424595 2,88424595 2,88424595 5,0e−11 ✓
kırpma 0,01: MSM (ağırlıklı), log HR −0,96399153 −0,96399153 −0,96399153 7,7e−11 ✓
kırpma 0,01: MSM (ağırlıklı), SH (model) 0,44200828 0,44200828 0,44200828 3,3e−12 ✓
kırpma 0,01: MSM (ağırlıklı), SH (sandviç) 0,45962093 0,45962093 0,45962093 7,9e−11 ✓
kırpma 0,01: MSM (ağırlıklı), HR 0,3813676 0,3813676 0,3813676 2,9e−11 ✓
kırpma 0,01: MSM (ağırlıklı), GA alt 0,15492224 0,15492224 0,15492224 1,2e−11 ✓
kırpma 0,01: MSM (ağırlıklı), GA üst 0,93880164 0,93880164 0,93880164 2,2e−10 ✓
kırpma 0,01: MSM (ağırlıklı), p 0,03596153 0,03596153 0,03596153 4,7e−11 ✓
kırpma 0,01: ham Cox, log HR −0,58616788 −0,58616788 −0,58616788 1,2e−14 ✓
kırpma 0,01: ham Cox, SH (model) 0,43683309 0,43683309 0,43683309 1,1e−15 ✓
kırpma 0,01: ham Cox, SH (sandviç) 0,42929503 0,42929503 0,42929503 3,2e−15 ✓
kırpma 0,01: ham Cox, HR 0,55645561 0,55645561 0,55645561 6,8e−15 ✓
kırpma 0,01: ham Cox, GA alt 0,23989099 0,23989099 0,23989099 4,6e−15 ✓
kırpma 0,01: ham Cox, GA üst 1,29076481 1,29076481 1,29076481 6,2e−15 ✓
kırpma 0,05: tedavi ağırlığı, en küçük 0,67840962 0,67840962 0,67840962 1,5e−9 ✓
kırpma 0,05: tedavi ağırlığı, 1. çeyrek 0,90357182 0,90357182 0,90357182 8,5e−11 ✓
kırpma 0,05: tedavi ağırlığı, ortanca 0,98616534 0,98616534 0,98616534 1,5e−10 ✓
kırpma 0,05: tedavi ağırlığı, ortalama 1,01475675 1,01475675 1,01475675 5,1e−12 ✓
kırpma 0,05: tedavi ağırlığı, 3. çeyrek 1,06106909 1,06106909 1,06106909 6,6e−10 ✓
kırpma 0,05: tedavi ağırlığı, en büyük 1,64624355 1,64624355 1,64624355 8,3e−10 ✓
kırpma 0,05: sansür ağırlığı, en küçük 0,92580008 0,92580008 0,92580008 8,6e−11 ✓
kırpma 0,05: sansür ağırlığı, 1. çeyrek 0,98746238 0,98746238 0,98746238 2,6e−11 ✓
kırpma 0,05: sansür ağırlığı, ortanca 0,99980464 0,99980464 0,99980464 1,1e−12 ✓
kırpma 0,05: sansür ağırlığı, ortalama 0,99808263 0,99808263 0,99808263 8,0e−12 ✓
kırpma 0,05: sansür ağırlığı, 3. çeyrek 1,01029245 1,01029245 1,01029245 7,3e−11 ✓
kırpma 0,05: sansür ağırlığı, en büyük 1,06413936 1,06413936 1,06413936 2,5e−10 ✓
kırpma 0,05: çarpım ağırlığı, en küçük 0,62807168 0,62807168 0,62807168 1,5e−9 ✓
kırpma 0,05: çarpım ağırlığı, 1. çeyrek 0,89405976 0,89405976 0,89405976 2,6e−10 ✓
kırpma 0,05: çarpım ağırlığı, ortanca 0,98629836 0,98629836 0,98629836 4,6e−11 ✓
kırpma 0,05: çarpım ağırlığı, ortalama 1,01245123 1,01245123 1,01245123 6,4e−12 ✓
kırpma 0,05: çarpım ağırlığı, 3. çeyrek 1,07029791 1,07029791 1,07029791 9,5e−11 ✓
kırpma 0,05: çarpım ağırlığı, en büyük 1,75183256 1,75183256 1,75183256 5,8e−10 ✓
kırpma 0,05: MSM (ağırlıklı), log HR −0,84154056 −0,84154056 −0,84154056 5,8e−10 ✓
kırpma 0,05: MSM (ağırlıklı), SH (model) 0,43927777 0,43927777 0,43927777 4,2e−11 ✓
kırpma 0,05: MSM (ağırlıklı), SH (sandviç) 0,45116435 0,45116435 0,45116435 1,4e−10 ✓
kırpma 0,05: MSM (ağırlıklı), HR 0,43104596 0,43104596 0,43104596 2,5e−10 ✓
kırpma 0,05: MSM (ağırlıklı), GA alt 0,17802943 0,17802943 0,17802943 1,5e−10 ✓
kırpma 0,05: MSM (ağırlıklı), GA üst 1,04365117 1,04365117 1,04365117 3,1e−10 ✓
kırpma 0,05: MSM (ağırlıklı), p 0,06214442 0,06214442 0,06214442 1,0e−10 ✓
kırpma 0,05: ham Cox, log HR −0,58616788 −0,58616788 −0,58616788 1,2e−14 ✓
kırpma 0,05: ham Cox, SH (model) 0,43683309 0,43683309 0,43683309 1,1e−15 ✓
kırpma 0,05: ham Cox, SH (sandviç) 0,42929503 0,42929503 0,42929503 3,2e−15 ✓
kırpma 0,05: ham Cox, HR 0,55645561 0,55645561 0,55645561 6,8e−15 ✓
kırpma 0,05: ham Cox, GA alt 0,23989099 0,23989099 0,23989099 4,6e−15 ✓
kırpma 0,05: ham Cox, GA üst 1,29076481 1,29076481 1,29076481 6,2e−15 ✓
Breslow bağları: tedavi ağırlığı, en küçük 0,24587959 0,24587959 0,24587959 1,9e−10 ✓
Breslow bağları: tedavi ağırlığı, 1. çeyrek 0,90357182 0,90357182 0,90357182 8,5e−11 ✓
Breslow bağları: tedavi ağırlığı, ortanca 0,98616534 0,98616534 0,98616534 1,5e−10 ✓
Breslow bağları: tedavi ağırlığı, ortalama 1,03895986 1,03895986 1,03895986 2,8e−11 ✓
Breslow bağları: tedavi ağırlığı, 3. çeyrek 1,06106909 1,06106909 1,06106909 6,6e−10 ✓
Breslow bağları: tedavi ağırlığı, en büyük 7,12571695 7,12571698 7,12571695 3,5e−9 ✓
Breslow bağları: sansür ağırlığı, en küçük 0,56400021 0,56400021 0,56400021 3,8e−11 ✓
Breslow bağları: sansür ağırlığı, 1. çeyrek 0,98746238 0,98746238 0,98746238 2,6e−11 ✓
Breslow bağları: sansür ağırlığı, ortanca 0,99980464 0,99980464 0,99980464 1,1e−12 ✓
Breslow bağları: sansür ağırlığı, ortalama 0,99855408 0,99855408 0,99855408 1,2e−11 ✓
Breslow bağları: sansür ağırlığı, 3. çeyrek 1,01029245 1,01029245 1,01029245 7,3e−11 ✓
Breslow bağları: sansür ağırlığı, en büyük 2,33477239 2,3347724 2,33477239 3,3e−9 ✓
Breslow bağları: çarpım ağırlığı, en küçük 0,18649568 0,18649568 0,18649568 1,6e−10 ✓
Breslow bağları: çarpım ağırlığı, 1. çeyrek 0,89469773 0,89469773 0,89469773 2,3e−10 ✓
Breslow bağları: çarpım ağırlığı, ortanca 0,98616073 0,98616073 0,98616073 9,9e−11 ✓
Breslow bağları: çarpım ağırlığı, ortalama 1,034634 1,034634 1,034634 1,3e−11 ✓
Breslow bağları: çarpım ağırlığı, 3. çeyrek 1,07056477 1,07056477 1,07056477 9,5e−10 ✓
Breslow bağları: çarpım ağırlığı, en büyük 8,0976531 8,09765315 8,0976531 6,9e−9 ✓
Breslow bağları: MSM (ağırlıklı), log HR −0,93697921 −0,93697921 −0,93697921 2,8e−10 ✓
Breslow bağları: MSM (ağırlıklı), SH (model) 0,42997592 0,42997592 0,42997592 3,8e−11 ✓
Breslow bağları: MSM (ağırlıklı), SH (sandviç) 0,45216213 0,45216213 0,45216213 1,5e−10 ✓
Breslow bağları: MSM (ağırlıklı), HR 0,39180962 0,39180962 0,39180962 1,1e−10 ✓
Breslow bağları: MSM (ağırlıklı), GA alt 0,16150799 0,16150799 0,16150799 9,3e−11 ✓
Breslow bağları: MSM (ağırlıklı), GA üst 0,95050892 0,95050892 0,95050892 2,5e−11 ✓
Breslow bağları: MSM (ağırlıklı), p 0,03824497 0,03824497 0,03824497 9,0e−12 ✓
Breslow bağları: ham Cox, log HR −0,58559654 −0,58559654 −0,58559654 9,4e−15 ✓
Breslow bağları: ham Cox, SH (model) 0,43684299 0,43684299 0,43684299 1,5e−15 ✓
Breslow bağları: ham Cox, SH (sandviç) 0,4290905 0,4290905 0,4290905 3,3e−15 ✓
Breslow bağları: ham Cox, HR 0,55677362 0,55677362 0,55677362 5,3e−15 ✓
Breslow bağları: ham Cox, GA alt 0,24012432 0,24012432 0,24012432 4,4e−15 ✓
Breslow bağları: ham Cox, GA üst 1,29098487 1,29098487 1,29098487 5,0e−15 ✓
kararsız ağırlık (pay boş): tedavi ağırlığı, en küçük 1,00279139 1,00279139 1,00279139 1,8e−12 ✓
kararsız ağırlık (pay boş): tedavi ağırlığı, 1. çeyrek 1,16020392 1,16020392 1,16020392 1,8e−10 ✓
kararsız ağırlık (pay boş): tedavi ağırlığı, ortanca 1,3722304 1,3722304 1,3722304 3,1e−10 ✓
kararsız ağırlık (pay boş): tedavi ağırlığı, ortalama 13,16067251 13,16067252 13,16067251 1,6e−10 ✓
kararsız ağırlık (pay boş): tedavi ağırlığı, 3. çeyrek 15,40092004 15,40092003 15,40092004 8,4e−10 ✓
kararsız ağırlık (pay boş): tedavi ağırlığı, en büyük 406,33803604 406,3380358 406,33803604 6,0e−10 ✓
kararsız ağırlık (pay boş): sansür ağırlığı, en küçük 1,00248826 1,00248826 1,00248826 2,8e−11 ✓
kararsız ağırlık (pay boş): sansür ağırlığı, 1. çeyrek 1,07927491 1,07927491 1,07927491 3,3e−10 ✓
kararsız ağırlık (pay boş): sansür ağırlığı, ortanca 1,24856053 1,24856053 1,24856053 4,9e−10 ✓
kararsız ağırlık (pay boş): sansür ağırlığı, ortalama 2,90279774 2,90279774 2,90279774 2,2e−10 ✓
kararsız ağırlık (pay boş): sansür ağırlığı, 3. çeyrek 1,65324724 1,65324723 1,65324724 2,1e−9 ✓
kararsız ağırlık (pay boş): sansür ağırlığı, en büyük 226,03935461 226,03935415 226,03935461 2,1e−9 ✓
kararsız ağırlık (pay boş): çarpım ağırlığı, en küçük 1,00598642 1,00598642 1,00598642 4,0e−11 ✓
kararsız ağırlık (pay boş): çarpım ağırlığı, 1. çeyrek 1,29138082 1,29138082 1,29138082 1,2e−9 ✓
kararsız ağırlık (pay boş): çarpım ağırlığı, ortanca 1,93463664 1,93463663 1,93463664 4,4e−9 ✓
kararsız ağırlık (pay boş): çarpım ağırlığı, ortalama 44,12725633 44,12725634 44,12725633 8,6e−11 ✓
kararsız ağırlık (pay boş): çarpım ağırlığı, 3. çeyrek 28,53994326 28,53994325 28,53994326 3,8e−10 ✓
kararsız ağırlık (pay boş): çarpım ağırlığı, en büyük 23337,40218597 23337,40214683 23337,40218597 1,7e−9 ✓
kararsız ağırlık (pay boş): MSM (ağırlıklı), log HR 0,29290481 0,29290495 0,29290481 1,4e−7 ✓
kararsız ağırlık (pay boş): MSM (ağırlıklı), SH (model) 0,12129479 0,1212948 0,12129479 7,9e−9 ✓
kararsız ağırlık (pay boş): MSM (ağırlıklı), SH (sandviç) 0,59530355 0,59530356 0,59530355 1,0e−8 ✓
kararsız ağırlık (pay boş): MSM (ağırlıklı), HR 1,3403152 1,34031539 1,3403152 1,4e−7 ✓
kararsız ağırlık (pay boş): MSM (ağırlıklı), GA alt 0,41733388 0,41733393 0,41733388 5,1e−8 ✓
kararsız ağırlık (pay boş): MSM (ağırlıklı), GA üst 4,30457463 4,30457534 4,30457463 1,6e−7 ✓
kararsız ağırlık (pay boş): MSM (ağırlıklı), p 0,62270098 0,62270082 0,62270098 1,6e−7 ✓
kararsız ağırlık (pay boş): ham Cox, log HR −0,58616788 −0,58616788 −0,58616788 1,2e−14 ✓
kararsız ağırlık (pay boş): ham Cox, SH (model) 0,43683309 0,43683309 0,43683309 1,1e−15 ✓
kararsız ağırlık (pay boş): ham Cox, SH (sandviç) 0,42929503 0,42929503 0,42929503 3,2e−15 ✓
kararsız ağırlık (pay boş): ham Cox, HR 0,55645561 0,55645561 0,55645561 6,8e−15 ✓
kararsız ağırlık (pay boş): ham Cox, GA alt 0,23989099 0,23989099 0,23989099 4,6e−15 ✓
kararsız ağırlık (pay boş): ham Cox, GA üst 1,29076481 1,29076481 1,29076481 6,2e−15 ✓
lojistik, ilk başlama: tedavi ağırlığı, en küçük 0,22873032 0,2287303 0,22873032 1,7e−8 ✓
lojistik, ilk başlama: tedavi ağırlığı, 1. çeyrek 0,91200182 0,91200181 0,91200182 1,3e−8 ✓
lojistik, ilk başlama: tedavi ağırlığı, ortanca 0,98801548 0,98801548 0,98801548 1,3e−9 ✓
lojistik, ilk başlama: tedavi ağırlığı, ortalama 1,04000006 1,04000007 1,04000006 1,4e−8 ✓
lojistik, ilk başlama: tedavi ağırlığı, 3. çeyrek 1,05285725 1,05285724 1,05285725 1,4e−8 ✓
lojistik, ilk başlama: tedavi ağırlığı, en büyük 7,49657802 7,49657969 7,49657802 2,2e−7 ✓
lojistik, ilk başlama: sansür ağırlığı, en küçük 0,80940988 0,80940988 0,80940988 1,6e−12 ✓
lojistik, ilk başlama: sansür ağırlığı, 1. çeyrek 0,98683504 0,98683504 0,98683504 3,9e−13 ✓
lojistik, ilk başlama: sansür ağırlığı, ortanca 0,99997501 0,99997501 0,99997501 1,0e−14 ✓
lojistik, ilk başlama: sansür ağırlığı, ortalama 0,99923459 0,99923459 0,99923459 2,8e−13 ✓
lojistik, ilk başlama: sansür ağırlığı, 3. çeyrek 1,01271095 1,01271095 1,01271095 2,8e−14 ✓
lojistik, ilk başlama: sansür ağırlığı, en büyük 1,27805118 1,27805118 1,27805118 3,5e−12 ✓
lojistik, ilk başlama: çarpım ağırlığı, en küçük 0,19435195 0,19435193 0,19435195 1,5e−8 ✓
lojistik, ilk başlama: çarpım ağırlığı, 1. çeyrek 0,90205166 0,90205167 0,90205166 2,0e−9 ✓
lojistik, ilk başlama: çarpım ağırlığı, ortanca 0,98786062 0,98786062 0,98786062 4,0e−9 ✓
lojistik, ilk başlama: çarpım ağırlığı, ortalama 1,03673479 1,03673481 1,03673479 1,3e−8 ✓
lojistik, ilk başlama: çarpım ağırlığı, 3. çeyrek 1,06407833 1,06407832 1,06407833 9,5e−9 ✓
lojistik, ilk başlama: çarpım ağırlığı, en büyük 8,00735258 8,00735436 8,00735258 2,2e−7 ✓
lojistik, ilk başlama: MSM (ağırlıklı), log HR −1,02948376 −1,02948381 −1,02948376 5,2e−8 ✓
lojistik, ilk başlama: MSM (ağırlıklı), SH (model) 0,44456294 0,44456293 0,44456294 5,0e−9 ✓
lojistik, ilk başlama: MSM (ağırlıklı), SH (sandviç) 0,46336834 0,46336834 0,46336834 4,3e−9 ✓
lojistik, ilk başlama: MSM (ağırlıklı), HR 0,35719131 0,35719129 0,35719131 1,9e−8 ✓
lojistik, ilk başlama: MSM (ağırlıklı), GA alt 0,14403931 0,1440393 0,14403931 9,0e−9 ✓
lojistik, ilk başlama: MSM (ağırlıklı), GA üst 0,88576951 0,88576947 0,88576951 4,0e−8 ✓
lojistik, ilk başlama: MSM (ağırlıklı), p 0,02630091 0,02630091 0,02630091 6,5e−9 ✓
lojistik, ilk başlama: ham Cox, log HR −0,58616788 −0,58616788 −0,58616788 1,2e−14 ✓
lojistik, ilk başlama: ham Cox, SH (model) 0,43683309 0,43683309 0,43683309 1,1e−15 ✓
lojistik, ilk başlama: ham Cox, SH (sandviç) 0,42929503 0,42929503 0,42929503 3,2e−15 ✓
lojistik, ilk başlama: ham Cox, HR 0,55645561 0,55645561 0,55645561 6,8e−15 ✓
lojistik, ilk başlama: ham Cox, GA alt 0,23989099 0,23989099 0,23989099 4,6e−15 ✓
lojistik, ilk başlama: ham Cox, GA üst 1,29076481 1,29076481 1,29076481 6,2e−15 ✓
lojistik, her aralık: tedavi ağırlığı, en küçük 0,00192995 0,00192995 0,00192995 9,0e−14 ✓
lojistik, her aralık: tedavi ağırlığı, 1. çeyrek 0,88887379 0,88887379 0,88887379 3,8e−13 ✓
lojistik, her aralık: tedavi ağırlığı, ortanca 0,99216799 0,99216799 0,99216799 3,1e−13 ✓
lojistik, her aralık: tedavi ağırlığı, ortalama 1,07229985 1,07229985 1,07229985 1,4e−12 ✓
lojistik, her aralık: tedavi ağırlığı, 3. çeyrek 1,10295967 1,10295967 1,10295967 1,0e−12 ✓
lojistik, her aralık: tedavi ağırlığı, en büyük 37,24432378 37,24432378 37,24432378 2,5e−11 ✓
lojistik, her aralık: sansür ağırlığı, en küçük 0,80940988 0,80940988 0,80940988 1,6e−12 ✓
lojistik, her aralık: sansür ağırlığı, 1. çeyrek 0,98683504 0,98683504 0,98683504 3,9e−13 ✓
lojistik, her aralık: sansür ağırlığı, ortanca 0,99997501 0,99997501 0,99997501 1,0e−14 ✓
lojistik, her aralık: sansür ağırlığı, ortalama 0,99923459 0,99923459 0,99923459 2,8e−13 ✓
lojistik, her aralık: sansür ağırlığı, 3. çeyrek 1,01271095 1,01271095 1,01271095 2,8e−14 ✓
lojistik, her aralık: sansür ağırlığı, en büyük 1,27805118 1,27805118 1,27805118 3,5e−12 ✓
lojistik, her aralık: çarpım ağırlığı, en küçük 0,00193822 0,00193822 0,00193822 9,2e−14 ✓
lojistik, her aralık: çarpım ağırlığı, 1. çeyrek 0,89849164 0,89849164 0,89849164 2,7e−13 ✓
lojistik, her aralık: çarpım ağırlığı, ortanca 0,99339161 0,99339161 0,99339161 1,6e−13 ✓
lojistik, her aralık: çarpım ağırlığı, ortalama 1,07334303 1,07334303 1,07334303 1,1e−12 ✓
lojistik, her aralık: çarpım ağırlığı, 3. çeyrek 1,09553532 1,09553532 1,09553532 4,8e−14 ✓
lojistik, her aralık: çarpım ağırlığı, en büyük 37,7939596 37,7939596 37,7939596 2,2e−11 ✓
lojistik, her aralık: MSM (ağırlıklı), log HR 0,76786493 0,76786493 0,76786493 4,1e−11 ✓
lojistik, her aralık: MSM (ağırlıklı), SH (model) 0,28118685 0,28118685 0,28118685 4,8e−13 ✓
lojistik, her aralık: MSM (ağırlıklı), SH (sandviç) 0,45416399 0,45416399 0,45416399 9,5e−12 ✓
lojistik, her aralık: MSM (ağırlıklı), HR 2,15515992 2,15515992 2,15515992 4,1e−11 ✓
lojistik, her aralık: MSM (ağırlıklı), GA alt 0,88490045 0,88490045 0,88490045 5,2e−11 ✓
lojistik, her aralık: MSM (ağırlıklı), GA üst 5,24885518 5,24885518 5,24885518 2,2e−11 ✓
lojistik, her aralık: MSM (ağırlıklı), p 0,09088996 0,09088996 0,09088996 2,4e−11 ✓
lojistik, her aralık: ham Cox, log HR −0,58616788 −0,58616788 −0,58616788 1,2e−14 ✓
lojistik, her aralık: ham Cox, SH (model) 0,43683309 0,43683309 0,43683309 1,1e−15 ✓
lojistik, her aralık: ham Cox, SH (sandviç) 0,42929503 0,42929503 0,42929503 3,2e−15 ✓
lojistik, her aralık: ham Cox, HR 0,55645561 0,55645561 0,55645561 6,8e−15 ✓
lojistik, her aralık: ham Cox, GA alt 0,23989099 0,23989099 0,23989099 4,6e−15 ✓
lojistik, her aralık: ham Cox, GA üst 1,29076481 1,29076481 1,29076481 6,2e−15 ✓
lojistik (probit bağlantı), ilk başlama: tedavi ağırlığı, en küçük 0,27009157 — 0,27009157 0 ✓
lojistik (probit bağlantı), ilk başlama: tedavi ağırlığı, 1. çeyrek 0,91359977 — 0,91359977 0 ✓
lojistik (probit bağlantı), ilk başlama: tedavi ağırlığı, ortanca 0,98932931 — 0,98932931 0 ✓
lojistik (probit bağlantı), ilk başlama: tedavi ağırlığı, ortalama 1,04195648 — 1,04195648 0 ✓
lojistik (probit bağlantı), ilk başlama: tedavi ağırlığı, 3. çeyrek 1,05311097 — 1,05311097 0 ✓
lojistik (probit bağlantı), ilk başlama: tedavi ağırlığı, en büyük 9,39910929 — 9,39910929 0 ✓
lojistik (probit bağlantı), ilk başlama: sansür ağırlığı, en küçük 0,80639833 — 0,80639833 0 ✓
lojistik (probit bağlantı), ilk başlama: sansür ağırlığı, 1. çeyrek 0,98718713 — 0,98718713 0 ✓
lojistik (probit bağlantı), ilk başlama: sansür ağırlığı, ortanca 1,00009596 — 1,00009596 0 ✓
lojistik (probit bağlantı), ilk başlama: sansür ağırlığı, ortalama 0,9992467 — 0,9992467 0 ✓
lojistik (probit bağlantı), ilk başlama: sansür ağırlığı, 3. çeyrek 1,01245655 — 1,01245655 0 ✓
lojistik (probit bağlantı), ilk başlama: sansür ağırlığı, en büyük 1,26296461 — 1,26296461 0 ✓
lojistik (probit bağlantı), ilk başlama: çarpım ağırlığı, en küçük 0,23127749 — 0,23127749 0 ✓
lojistik (probit bağlantı), ilk başlama: çarpım ağırlığı, 1. çeyrek 0,90265764 — 0,90265764 0 ✓
lojistik (probit bağlantı), ilk başlama: çarpım ağırlığı, ortanca 0,98885762 — 0,98885762 0 ✓
lojistik (probit bağlantı), ilk başlama: çarpım ağırlığı, ortalama 1,0382782 — 1,0382782 0 ✓
lojistik (probit bağlantı), ilk başlama: çarpım ağırlığı, 3. çeyrek 1,06303131 — 1,06303131 0 ✓
lojistik (probit bağlantı), ilk başlama: çarpım ağırlığı, en büyük 10,05587062 — 10,05587062 0 ✓
lojistik (probit bağlantı), ilk başlama: MSM (ağırlıklı), log HR −1,01181341 — −1,01181341 0 ✓
lojistik (probit bağlantı), ilk başlama: MSM (ağırlıklı), SH (model) 0,44589116 — 0,44589116 0 ✓
lojistik (probit bağlantı), ilk başlama: MSM (ağırlıklı), SH (sandviç) 0,46060362 — 0,46060362 0 ✓
lojistik (probit bağlantı), ilk başlama: MSM (ağırlıklı), HR 0,3635591 — 0,3635591 0 ✓
lojistik (probit bağlantı), ilk başlama: MSM (ağırlıklı), GA alt 0,14740374 — 0,14740374 0 ✓
lojistik (probit bağlantı), ilk başlama: MSM (ağırlıklı), GA üst 0,89668836 — 0,89668836 0 ✓
lojistik (probit bağlantı), ilk başlama: MSM (ağırlıklı), p 0,02804104 — 0,02804104 6,2e−16 ✓
lojistik (probit bağlantı), ilk başlama: ham Cox, log HR −0,58616788 — −0,58616788 0 ✓
lojistik (probit bağlantı), ilk başlama: ham Cox, SH (model) 0,43683309 — 0,43683309 0 ✓
lojistik (probit bağlantı), ilk başlama: ham Cox, SH (sandviç) 0,42929503 — 0,42929503 0 ✓
lojistik (probit bağlantı), ilk başlama: ham Cox, HR 0,55645561 — 0,55645561 0 ✓
lojistik (probit bağlantı), ilk başlama: ham Cox, GA alt 0,23989099 — 0,23989099 0 ✓
lojistik (probit bağlantı), ilk başlama: ham Cox, GA üst 1,29076481 — 1,29076481 0 ✓
lojistik (cloglog bağlantı), ilk başlama: tedavi ağırlığı, en küçük 0,22191427 — 0,22191427 0 ✓
lojistik (cloglog bağlantı), ilk başlama: tedavi ağırlığı, 1. çeyrek 0,91183977 — 0,91183977 0 ✓
lojistik (cloglog bağlantı), ilk başlama: tedavi ağırlığı, ortanca 0,98791572 — 0,98791572 0 ✓
lojistik (cloglog bağlantı), ilk başlama: tedavi ağırlığı, ortalama 1,03981567 — 1,03981567 0 ✓
lojistik (cloglog bağlantı), ilk başlama: tedavi ağırlığı, 3. çeyrek 1,05253784 — 1,05253784 0 ✓
lojistik (cloglog bağlantı), ilk başlama: tedavi ağırlığı, en büyük 7,38736413 — 7,38736413 0 ✓
lojistik (cloglog bağlantı), ilk başlama: sansür ağırlığı, en küçük 0,80971697 — 0,80971697 0 ✓
lojistik (cloglog bağlantı), ilk başlama: sansür ağırlığı, 1. çeyrek 0,98680421 — 0,98680421 0 ✓
lojistik (cloglog bağlantı), ilk başlama: sansür ağırlığı, ortanca 0,9999739 — 0,9999739 0 ✓
lojistik (cloglog bağlantı), ilk başlama: sansür ağırlığı, ortalama 0,99923734 — 0,99923734 0 ✓
lojistik (cloglog bağlantı), ilk başlama: sansür ağırlığı, 3. çeyrek 1,0127434 — 1,0127434 0 ✓
lojistik (cloglog bağlantı), ilk başlama: sansür ağırlığı, en büyük 1,28007301 — 1,28007301 0 ✓
lojistik (cloglog bağlantı), ilk başlama: çarpım ağırlığı, en küçük 0,18836202 — 0,18836202 0 ✓
lojistik (cloglog bağlantı), ilk başlama: çarpım ağırlığı, 1. çeyrek 0,90217437 — 0,90217437 0 ✓
lojistik (cloglog bağlantı), ilk başlama: çarpım ağırlığı, ortanca 0,98783953 — 0,98783953 0 ✓
lojistik (cloglog bağlantı), ilk başlama: çarpım ağırlığı, ortalama 1,03659334 — 1,03659334 0 ✓
lojistik (cloglog bağlantı), ilk başlama: çarpım ağırlığı, 3. çeyrek 1,06412208 — 1,06412208 0 ✓
lojistik (cloglog bağlantı), ilk başlama: çarpım ağırlığı, en büyük 7,88929193 — 7,88929193 0 ✓
lojistik (cloglog bağlantı), ilk başlama: MSM (ağırlıklı), log HR −1,03237823 — −1,03237823 0 ✓
lojistik (cloglog bağlantı), ilk başlama: MSM (ağırlıklı), SH (model) 0,44446478 — 0,44446478 0 ✓
lojistik (cloglog bağlantı), ilk başlama: MSM (ağırlıklı), SH (sandviç) 0,46368836 — 0,46368836 0 ✓
lojistik (cloglog bağlantı), ilk başlama: MSM (ağırlıklı), HR 0,35615892 — 0,35615892 0 ✓
lojistik (cloglog bağlantı), ilk başlama: MSM (ağırlıklı), GA alt 0,14353294 — 0,14353294 0 ✓
lojistik (cloglog bağlantı), ilk başlama: MSM (ağırlıklı), GA üst 0,88376354 — 0,88376354 0 ✓
lojistik (cloglog bağlantı), ilk başlama: MSM (ağırlıklı), p 0,02598416 — 0,02598416 9,4e−17 ✓
lojistik (cloglog bağlantı), ilk başlama: ham Cox, log HR −0,58616788 — −0,58616788 0 ✓
lojistik (cloglog bağlantı), ilk başlama: ham Cox, SH (model) 0,43683309 — 0,43683309 0 ✓
lojistik (cloglog bağlantı), ilk başlama: ham Cox, SH (sandviç) 0,42929503 — 0,42929503 0 ✓
lojistik (cloglog bağlantı), ilk başlama: ham Cox, HR 0,55645561 — 0,55645561 0 ✓
lojistik (cloglog bağlantı), ilk başlama: ham Cox, GA alt 0,23989099 — 0,23989099 0 ✓
lojistik (cloglog bağlantı), ilk başlama: ham Cox, GA üst 1,29076481 — 1,29076481 0 ✓

Ölçütü karşılayan: 298/298. Ölçüt satır başına 10^{-6} (değer 1'den büyükse göreli). Bağımsız Python: Cox kısmi olabilirliği (Efron ve Breslow bağları), taban tehlike artışı, havuzlanmış lojistik regresyon ve birim kümeli sandviç elle yazılmıştır (yalnız numpy). Bağımsız R: ağırlıklar açık formülle ve survival::coxph/glm ile kurulur, ipw paketi kullanılmaz; probit ve cloglog bağlantılı lojistik satırları yalnız R sütunundadır.

Yayımlanmış değerle karşılaştırma (van der Wal ve Geskus, 2011, Bölüm 4.2):

Büyüklük Yayımlanmış (4 hane) MerQuR+ Dördüncü haneye yuvarlanmış MerQuR+ Sonuç
kararlı tedavi ağırlığı, en küçük 0,2459 0,24587959 0,2459 ✓
kararlı tedavi ağırlığı, ortanca 0,9862 0,98616534 0,9862 ✓
kararlı tedavi ağırlığı, ortalama 1,039 1,03895986 1,039 ✓
kararlı tedavi ağırlığı, en büyük 7,126 7,12571695 7,1257 ✗
MSM log HR −0,9378 −0,93780878 −0,9378 ✓
MSM sandviç SH 0,4524 0,45235574 0,4524 ✓
MSM HR 0,3915 0,39148473 0,3915 ✓
HR %95 GA alt 0,1613 0,16131283 0,1613 ✓
HR %95 GA üst 0,9501 0,95008121 0,9501 ✓

Yayımlanmış değerle uyuşan: 8/9. Ölçüt: dördüncü haneye yuvarlanmış değerlerin farkı 1{,}5\cdot10^{-4}'ü aşmaz. En büyük ağırlıkta yayımlanmış değer 7,1260, şablonun değeri 7,1257'dir (mutlak fark 3\cdot10^{-4}, göreli 4\cdot10^{-5}); bağımsız Python ve bağımsız R de 7,1257 verir, farkın kaynağı (makalenin kullandığı paket sürümü) doğrulanamamıştır. Öteki sekiz büyüklük yayımlanmış değerle dört hanede aynıdır.

134.7 Çıktıyı okuma

Örnek ayarda şablonun konsol notu ve iki tablosu (mi_ornek; sayılar olduğu gibi):

Birim: 1200, satır (aralık): 19175, olay: 31. Nedensel yorum; tutarlılık, değiştirilebilirlik (ölçülmemiş karıştırıcı yok), pozitiflik ve ağırlık modelinin doğru belirtilmesi varsayımlarına dayanır.

kararlı ağırlıkların dağılımı
      agirlik  en_kucuk        Q1   ortanca  ortalama       Q3  en_buyuk
tedavi (IPTW) 0.2458796 0.9035718 0.9861653   1.03896 1.061069  7.125717
sansür (IPCW) 0.5640002 0.9874624 0.9998046 0.9985541 1.010292  2.334772
       çarpım 0.1864957 0.8946977 0.9861607  1.034634 1.070565  8.097653

haartind tedavisinin event üzerindeki etkisi (birim kümeli sandviç SH)
                             model     log_HR  SH_model  SH_sandvic        HR    GA_alt    GA_ust          p
Marjinal yapısal model (ağırlıklı) -0.9378088 0.4299634   0.4523557 0.3914847 0.1613128 0.9500812 0.03815679
              Ham Cox (ağırlıksız) -0.5861679 0.4368331    0.429295 0.5564556  0.239891  1.290765  0.1721212

Şekil 134.1. Şablonun şekli: ağırlıkların zamana göre dağılımı (izlem zamanının ondalık dilimlerinde \log\mathrm{(ağırlık)} kutu grafikleri; kesikli çizgi \log1=0). Ağırlıkların yayılımı zamanla artar: ilk dilimde ağırlıklar 1'e çok yakındır, son dilimde yaklaşık \log w\in[-0{,}9;\ 0{,}9] aralığına yayılır. Dilim etiketleri bilimsel gösterim kullanmaz ve eksen başlığıyla çakışmaz.

Öğe Ne yazar Nasıl yorumlanır
Konsol satırı Birim, satır, olay sayısı ve varsayımların anımsatması. Birim ve satır sayısının beklediğiniz sayıyla uyuştuğunu doğrulayın; atılan eksik satır sayısı ve çıkarılan sütunlar ayrıca yazılır.
Ağırlık dağılımı Tedavi (IPTW), sansür (IPCW) ve çarpım ağırlıklarının en küçük, çeyrekler, ortalama, en büyük değeri. Kararlı ağırlıkların ortalaması \approx1 olmalıdır (örnek: 1{,}039 ve 0{,}9986); ortalama 1'den 0{,}1'den fazla saparsa şablon uyarı yazar. En büyük ağırlık 7{,}1: birkaç gözlem sonucu aşırı etkileyebilir.
MSM (ağırlıklı) \hat\gamma=\log\mathrm{HR}, model SH'si, sandviç SH'si, HR, GA, p. HAART'ın başlatılması, ağırlıklı örnekte ölüm tehlikesini \%60{,}9 azaltır (\mathrm{HR}=0{,}3915; GA 0{,}161–0{,}950; p=0{,}038). GA ve p sandviç SH'den hesaplanır.
Ham Cox Aynı model, ağırlıksız. \mathrm{HR}=0{,}5565, GA 1'i kapsar (p=0{,}172). Ağırlıklandırma etkiyi büyütür: zamanla değişen karıştırıcı (CD4) ham modelde etkiyi gizlemektedir (tedaviye başlayanlar daha hastadır).

Ağırlık modeli ve ayar seçeneklerinin örnek veride karşılaştırması (aynı ayar; yalnız belirtilen değişir):

Çalıştırma Tedavi ağırlığı (en küçük; ortalama; en büyük) \log\mathrm{HR} SH (sandviç) HR %95 GA
Örnek ayar (Cox, ilk başlama, IPCW) 0{,}246;\ 1{,}039;\ 7{,}126 -0{,}9378 0{,}4524 0{,}3915 0{,}161–0{,}950
Sansürsüz (IPCW yok) 0{,}246;\ 1{,}039;\ 7{,}126 -0{,}9921 0{,}4613 0{,}3708 0{,}150–0{,}916
Kırpma 0{,}01 0{,}478;\ 1{,}030;\ 2{,}518 -0{,}9640 0{,}4596 0{,}3814 0{,}155–0{,}939
Kırpma 0{,}05 0{,}678;\ 1{,}015;\ 1{,}646 -0{,}8415 0{,}4512 0{,}4310 0{,}178–1{,}044
Breslow bağları 0{,}246;\ 1{,}039;\ 7{,}126 -0{,}9370 0{,}4522 0{,}3918 0{,}162–0{,}950
Kararsız ağırlık (pay boş) 1{,}003;\ 13{,}161;\ 406{,}338 +0{,}2929 0{,}5953 1{,}3403 0{,}417–4{,}305
Lojistik, ilk başlama (logit) 0{,}229;\ 1{,}040;\ 7{,}497 -1{,}0295 0{,}4634 0{,}3572 0{,}144–0{,}886
Lojistik, ilk başlama (probit) 0{,}270;\ 1{,}042;\ 9{,}399 -1{,}0118 0{,}4606 0{,}3636 0{,}147–0{,}897
Lojistik, ilk başlama (cloglog) 0{,}222;\ 1{,}040;\ 7{,}387 -1{,}0324 0{,}4637 0{,}3562 0{,}144–0{,}884
Lojistik, her aralık (all) 0{,}002;\ 1{,}072;\ 37{,}244 +0{,}7679 0{,}4542 2{,}1552 0{,}885–5{,}249
Ham Cox (ağırlıksız) 1;\ 1;\ 1 -0{,}5862 0{,}4293 0{,}5565 0{,}240–1{,}291

Tablodan üç sonuç çıkar. Birincisi, kararlı ağırlıklar (ortalama \approx1) ve kararsız ağırlıklar (ortalama 13) zıt işaretli sonuç verir; kararsız ağırlık burada sonucu çökertir (SH 0{,}5953, HR 1{,}34). İkincisi, kırpma ağırlıkların kuyruğunu kısar, SH'yi çok değiştirmez (0{,}4512–0{,}4596) ama \hat\gamma'yı yayımlanmış değerden uzaklaştırır; 0{,}05'te GA artık 1'i kapsar. Üçüncüsü, lojistik all seçeneği bu veride tedavi geri alınmadığından anlamsızdır: tedavi durumu başlamadan sonra sabittir ve her aralıkta modellemek ağırlıkları uçlaştırır (en büyük 37{,}2), işaret döner.

Zamanla değişen CD4 sayısı, cinsiyet ve yaş ağırlık modellerinde kullanılıp kararlı ters olasılık ağırlıkları kurulduğunda (ağırlıkların ortalaması 1{,}035, en büyüğü 8{,}10), HAART başlatılmasının ölüm tehlikesi üzerindeki marjinal etkisi \mathrm{HR}=0{,}39 bulunmuştur (%95 GA 0{,}16–0{,}95; birim kümeli sandviç SH 0{,}452; p=0{,}038). Ağırlıksız Cox modelinde HR 0{,}56'dır (0{,}24–1{,}29). Sonuçlar tutarlılık, değiştirilebilirlik, pozitiflik ve ağırlık modellerinin doğru belirtilmesi varsayımlarına dayanır.

134.8 Sık hatalar ve tuzaklar

  • Pay modeline zamanla değişen değişken konması. Pay modelindeki bir sütun birim içinde değişiyorsa (ör. cd4.sqrt) şablon "birim içinde değişiyor (zamanla değişen değişken)" iletisiyle durur; eskiden bu durumda ağırlıklar 1'e çöküyor (pay = payda: \mathrm{HR}=0{,}5565, ham Cox ile aynı) ya da [0{,}879;\ 1{,}129] aralığına sıkışıyordu. Pay yalnız sabit değişkenler içermelidir.
  • Kararsız ağırlık. pay boş bırakılırsa ağırlıklar kararsızdır: ortalama 13{,}16, en büyük 406{,}3, çarpımın en büyüğü 23337{,}4; HR 0{,}39'dan 1{,}34'e geçer. Şablon en büyük çarpım ağırlığı 20'yi aşarsa ya da ESS n/10'un altına düşerse bunu uyarır (örnek: ESS 459 / 19175 satır); kararlı ağırlıkta ortalama uyarısı yalnız pay doluyken yazılır (217).
  • Havuzlanmış lojistik modelde zaman terimi. Varsayılanda lojistik ağırlık modeli zamandan bağımsızdır ve Cox tabanlı ağırlıkla bu veride bile fark yaratır (HR 0{,}357 ve 0{,}392); zaman_terimi seçeneği HR'yi 0{,}382'ye getirir. payda = [cd4.sqrt, fuptime] verirseniz fuptime ağırlık modeline değişken olarak girmez (konsol bunu yazar); izlem zamanı için zaman_terimi kullanın.
  • tip = all ve tedavinin geri alınmadığı veri. Tedavi durumu başlamadan sonra sabit olan verilerde her aralığı modellemek ağırlıkları uçlaştırır ve işareti döndürebilir (\mathrm{HR}=2{,}16; en büyük ağırlık 37{,}2). all yalnız tedavinin açılıp kapanabildiği ve geçmiş tedavinin payda modeline girdiği tasarımlarda anlamlıdır (gecikmeli tedavi sütununu kendiniz kurmalısınız).
  • Tedavi geri alınıyorsa. Veride 1'den 0'a dönen birim varsa first ağırlıkları yalnız ilk başlamayı modeller; sonuç modeli ise güncel tedavi durumuyla (geri dönüşler dahil) uydurulur ve ağırlıklar bırakmayı hesaba katmaz. Türev veri haart_geri.csv (hastaların her yedincisi, en az yedi tedavili aralığı varsa, tedaviyi dördüncü tedavili aralıktan sonra bırakıyor): \mathrm{HR}=0{,}374 (örnek veride 0{,}392); uyarı yoktur.
  • Yakınsamayan Cox sonucu. Çok az olay varsa Cox modelinin olabilirliği sonsuza gider; şablon coxph uyarılarını okur ve |\hat\gamma|>10 ya da model SH'si >100 ise ya da yakınsama uyarısı varsa "Ağırlıklı Cox modeli yakınsamadı ya da kestirim sonsuza gidiyor" iletisiyle durur (233–241). 100 hastalık altkümede (3 olay; \log\mathrm{HR}=-20{,}409) tablo yazılmaz.
  • Eksik değer. Eksik satır atılır ve atılan sayı yazılır; bir birimin ortasından atılan satırın ağırlık çarpanı kümülatif çarpımda eksik kalır ve şablon aralık boşluklarını uyarır (örnek: üç satırda cd4.sqrt eksik \to 19172 satır, 3 aralık boşluğu; en büyük tedavi ağırlığı 7{,}1257'den 7{,}1320'ye değişir; \log\mathrm{HR}=-0{,}9377). eksik_son_gozlem seçeneği satırları atmak yerine son gözlemi taşır (\log\mathrm{HR}=-0{,}93802).
  • Ondalık virgül ve sayısal olmayan payda. cd4.sqrt "23,83" gibi virgüllü metinse sütun factor olurdu ve her farklı değer ayrı düzey sayılırdı (on binlerce düzey); şablon bunu "1432 düzeyli bir metin/kategorik sütun; sayısal olması gereken bir sütun metin türünde olabilir" iletisiyle reddeder. Ondalık ayırıcı nokta olmalıdır.
  • Zayıf örtüşme. Tedavi başlamasını neredeyse belirleyen bir değişken (türev veri cd4k) ağırlıkları uçlaştırır: ortalama 0{,}579 (1'den 0{,}42 uzak) ve şablon uyarı yazar; model SH'si 2{,}46, sandviç 0{,}488.
  • Olay ve tedavi kodlaması. Olay, tedavi ve sansür 0/1 olmalıdır; 1/2 kodu ya da rekabet riski için 2 değeri hata verir. Bir aralıkta t_{\text{bit}}\le t_{\text{bas}} ise çalıştırma durur.
  • Birim kimliği ve zaman ölçeği. Birim kimliğinin türü (sayı, metin, kategorik) sonucu değiştirmez (.id tamsayıya çevrilir); aralık sınırlarının ölçeği (gün ya da yıl) HR'yi değiştirmez (\mathrm{HR}=0{,}3915 iki ölçekte de).
  • Ağırlık modelinin doğru belirtilmesi. Karıştırıcı doğrusal girmiyorsa (karekök, kare) ya da etkileşim varsa, ağırlıklar yanlış belirtilir; ağırlık dağılımını ve ortalamasını inceleyin.

134.9 Uzman soruları

S1. Kararlı ağırlıklar neden kararsız ağırlıktan farklı sonuç verir ve hangisi doğrudur?

Kararsız ağırlık 1/\prod\hat p^{\,\text{payda}}'dır: ağırlıkların ortalaması 13{,}16, en büyüğü 406{,}3 ve çarpımın en büyüğü 23337{,}4 olur; kestirim birkaç birime dayanır ve varyansı yüksektir. Kararlı ağırlık pay modeliyle ağırlıkları 1'e çeker (ortalama 1{,}039, en büyük 7{,}126). İki yaklaşım kuramsal olarak farklı yapısal modelleri kestirir: kararsız ağırlıkta tedavi, sahte popülasyonda geçmişten tamamen bağımsızdır; kararlı ağırlıkta pay modeli V'yi içeriyorsa tedavi yalnız V'ye bağlı kalır ve kuramın istediği gibi MSM'nin V'yi ortak değişken olarak içermesi gerekir (Cole ve Hernán, 2008). Şablonun sonuç modeli yalnız tedaviyi içerir (219); bu, yayımlanmış örnekteki kuruluşla aynıdır, ama V'ye koşullanan bir yorum vermez. Örnek veride sonuçların zıt işaretli çıkması (1{,}34 ve 0{,}39) aşırı ağırlıkların kararsız kestirimi çökertmesinden gelir; kararlı sonuç yayımlanmış değerle tutar.

S2. Efron bağlarıyla taban tehlike artışı neden \sum_k 1/(S_0-kT_0/d) ve Breslow'dan ne kadar farklı?

Efron yaklaşımı, aynı zamanlı d olayı sırayla gerçekleşiyormuş gibi sayar ve her sırada riskli kümeden önceki olay payını k/d oranında düşer. Breslow tüm d olayı aynı S_0 ile böler (d/S_0). Örnek veride 100 günlük aralıklar çok sayıda aynı zamanlı başlama üretir; bu yüzden artışlar belirgin farklıdır. Ağırlık modeli her iki seçenekte ipwtm'in sabit Efron'unu kullanır ve baglar yalnız sonuç modelini etkiler: \hat\gamma=-0{,}9378 (Efron) ve -0{,}9370 (Breslow), ağırlıklar aynı kalır.

S3. Neden sandviç SH'yi ağırlık kestirimi hesaba katılmadan alıyoruz ve bu SH ne kadar yanlıştır?

Sandviç, \hat\gamma'nın kısmi olabilirlik denklemini ağırlıklar sabitken çözer; ağırlıkların kendisi iki ayrı modelden gelir ve bu modellerin belirsizliği iletilmez. Robins ve ark. (2000) bu SH'nin genellikle tutucu olduğunu gösterir: ağırlıklar kestirildiğinde asimptotik varyans küçülür. Örnek veride sandviç SH (0{,}4524) model tabanlı SH'den (0{,}4300) büyüktür; geçerli bir üst sınırdır. Daha az tutucu bir SH için birimlerin önyüklemesi gerekir.

S4. Sansür ağırlıkları neden `first` ile kuruluyor ve `cens` ile fark eder mi?

Şablon sansürü "başlama olayı" gibi ele alıp type = first ile kurar (193); ipwtm sansür için ayrıca type = cens sunar ve sansür satırında olasılığı 1-\hat\pi (kalma olasılığı) olarak alır. Örnek veride iki yol bağımsız hesapta karşılaştırılmıştır: first ile \hat\gamma=-0{,}9378 (SH 0{,}4524), cens ile -0{,}9363 (0{,}4527). Fark 0{,}0015'tir; yayımlanmış değeri (first) şablon yeniden üretir.

S5. Kırpma çarpımı neden kırpmıyor?

Tedavi ve sansür ağırlıkları ayrı ipwtm çağrılarında kırpılır (196, 200) ve çarpım ayrıca kırpılmaz; bu nedenle çarpım kırpma sınırını aşabilir (örnek: c=0{,}01 iken tedavi 2{,}518 ve sansür 1{,}152 üst sınırlıyken çarpım 2{,}884). Kırpma çarpım üzerinde yapılsaydı sınır tek bir yüzdelikle tutulurdu; şablonun tercihi tek tek ağırlıkların kırpılmasıdır.

S6. Havuzlanmış lojistik ile Cox tabanlı ağırlık hangi koşulda eşittir?

Aralık süresi kısaldıkça ve başlama olasılığı küçükken havuzlanmış lojistik modelin olasılıkları sürekli zaman tehlikesine yaklaşır (Hernán ve Robins, 2020), zaman terimi modelde bulunuyorsa. Bu şablonda zaman terimi varsayılanda payda'ya girmediğinden lojistik model taban olasılığı sabit sayar ve eşitlik beklenemez (zaman_terimi seçeneği terimi ekler, 185–188); örnek veride \mathrm{HR} 0{,}357 (lojistik), 0{,}382 (lojistik + zaman terimi) ve 0{,}392 (Cox tabanlı) çıkar.

S7. Ağırlıkların ortalaması neden 1'den 0,1'den fazla sapınca uyarı yazılıyor ve bu yeterli bir tanı mı?

Kararlı ağırlıkların beklenen değeri 1'dir; sapma, ağırlık modelinin yanlış belirtildiğini ya da pozitiflik ihlalini gösterebilir (Cole ve Hernán, 2008). Eşik (0{,}1) sezgiseldir; ağırlıkların en küçük ve en büyük değerlerini, zamana göre dağılımını (şekil) ve ağırlıklı örnekte karıştırıcı dengesini de inceleyin. Örnek ayarda ortalama 1{,}035 ve en büyük 8{,}10'dur; uyarı çıkmaz. Zayıf örtüşmeli türev veride ortalama 0{,}579 olduğundan uyarı çıkar.

S8. \mathrm{HR} neden "marjinal"; koşullu Cox modeliyle ne farkı var?

MSM'nin \mathrm{HR}'ı, ağırlıklı örnekte (herkesin tedavi geçmişinin rastgele atandığı sahte popülasyonda) tedavi durumunun tehlikeye etkisidir ve karıştırıcılara (CD4) koşullanmaz. Koşullu Cox modeli \mathrm{CD4}'ü ortak değişken alırsa tedavinin CD4 üzerinden dolaylı etkisini keser ve yanlı olur (CD4 tedaviden etkilendiği için). Örnek veride ham (ağırlıksız) Cox \mathrm{HR}=0{,}5565, MSM 0{,}3915'tir; iki sayı farklı büyüklükleri ölçer ve ikincisi nedensel yorumludur.

134.10 Kaynaklar

  • Cole, S. R., & Hernán, M. A. (2008). Constructing inverse probability weights for marginal structural models. American Journal of Epidemiology, 168(6), 656–664. https://doi.org/10.1093/aje/kwn164
  • Efron, B. (1977). The efficiency of Cox's likelihood function for censored data. Journal of the American Statistical Association, 72(359), 557–565. https://doi.org/10.1080/01621459.1977.10480613
  • Hernán, M. A., Brumback, B., & Robins, J. M. (2000). Marginal structural models to estimate the causal effect of zidovudine on the survival of HIV-positive men. Epidemiology, 11(5), 561–570. https://doi.org/10.1097/00001648-200009000-00012
  • Hernán, M. A., & Robins, J. M. (2020). Causal inference: What if. Chapman & Hall/CRC.
  • Lin, D. Y., & Wei, L. J. (1989). The robust inference for the Cox proportional hazards model. Journal of the American Statistical Association, 84(408), 1074–1078. https://doi.org/10.1080/01621459.1989.10478874
  • Robins, J. M., Hernán, M. Á., & Brumback, B. (2000). Marginal structural models and causal inference in epidemiology. Epidemiology, 11(5), 550–560. https://doi.org/10.1097/00001648-200009000-00011
  • Therneau, T. (2026). A package for survival analysis in R (R package version 3.8-6). https://CRAN.R-project.org/package=survival
  • van der Wal, W. M., & Geskus, R. B. (2011). ipw: An R package for inverse probability weighting. Journal of Statistical Software, 43(13), 1–23. https://doi.org/10.18637/jss.v043.i13