142. Aralık sansürlü regresyon
Şablon kimliği: aralik_sansur_regresyon · Kategori: sağkalım · Dil: R · Dosya: pro/sablonlar/sagkalim/aralik_sansur_regresyon.R (satır 1–195; üstbilgi 1–106) · Örnek veri: _ornek/ir_diabetes.csv · Paketler: icenReg
142.1 Ne işe yarar
Şablon, olay zamanının tam olarak değil yalnız bir (L,R] aralığında bilindiği verilerde ortak değişkenlerin etkisini kestirir: kontrolden kontrole bakılan bir hastada hastalığın başlangıcı, periyodik muayenede saptanan bir enfeksiyon, haftalık sayımda ilk görülen bir bitki ya da böcek. Cevapladığı soru: "Aralığa sığan zamanları, aralığın ortasını ya da sağ ucunu olay zamanı sayarak yanıltmadan, ortak değişkenler olayın zamanını nasıl kaydırıyor?" Olabilirlik aralık yapısına göre kurulur; modeller orantılı tehlikeler (PH, Cox tipi) ve orantılı odds (PO) modelleridir; taban dağılımı yarı parametrik (Turnbull NPMLE) ya da beş parametrik ailedendir.
Ne zaman kullanılır?
- Olay zamanı iki gözlem arasında kalıyorsa (L<T\le R), tam gözlenen ve sağdan sansürlü satırlar da aynı veride bulunabilir.
- Hem PH hem PO yorumu isteniyorsa; PO, tehlikelerin zamanla yaklaştığı (uzun süreli etkinin sönümlendiği) durumlarda PH'ye alternatiftir.
- Taban dağılımı bilinmiyorsa yarı parametrik model; mutlak sağkalım eğrisi ve parametrik çıkarım isteniyorsa parametrik taban.
Ne zaman kullanılmaz?
- Olay zamanları tam ya da yalnız sağdan sansürlüyse: Cox modeli için
cezali_cox(Bölüm 143) ya da temel programdaki sağkalım analizleri; parametrik sağkalım içinesnek_parametrik(Bölüm 146). - Zaman bağımlı ortak değişken ya da kümelenmiş gözlem varsa: bu şablon bağımsız gözlem ve zamandan bağımsız ortak değişken varsayar; küme için
karma_etkili_cox(Bölüm 148). - Zaman kesikli ve aralık sayısı küçükse (sınıf, yıl):
kesikli_zaman_sagkalim(Bölüm 149). - Birden çok olay türü (rekabet riski):
cok_durumlu_mstate(Bölüm 145) vegoreli_sagkalim(Bölüm 147). - Yalnız tek bir grup için aralık sansürlü sağkalım eğrisi isteniyorsa Turnbull kestirimi tek başına yeterlidir; şablon en az bir ortak değişken ister.
Temel programla ilişki. Temel programda aralık sansürlü veri için yalnız parametrik olmayan (Turnbull) yaşam tablosu bulunur; ortak değişkenli regresyon yoktur. Bu şablon yalnız MerQuR+'tadır.
142.2 Şablonun girdileri
Form on üç [[param]] bloğundan kurulur (aralik_sansur_regresyon.R:10–105). Türlerin ve formun ortak denetiminin anlamı Bölüm 1.2'de anlatılmıştır.
| Alan (form etiketi) · ad | Tür · sekme | Varsayılan | Geçerli değerler | Kodda etkisi |
|---|---|---|---|---|
Aralığın sol ucu · sol |
sayısal sütun · Değişkenler | yok (zorunlu) | sayısal sütun; 0 ya da boş = soldan sansür | L (10–14, 118, 120). |
Aralığın sağ ucu · sag |
sayısal sütun · Değişkenler | yok (zorunlu) | sayısal sütun; boş ya da ∞ = sağdan sansür | R (15–19, 118, 121). |
Ortak değişkenler · x |
sütunlar · Değişkenler | yok (en az 1) | herhangi sütun | Formül sağ tarafı (20–25, 112, 142). |
Gözlem ağırlığı · agirlik |
sayısal sütun · Değişkenler | boş | negatif olmayan sayılar | weights (48–54, 114–117, 152). |
Regresyon modeli · model |
seçim · Model | ph |
ph, po |
model = (26–32, 151). |
Taban dağılımı · taban |
seçim · Model | yari |
yari, weibull, lnorm, loglogistic, gamma, exponential |
ic_sp ya da ic_par (33–39, 151). |
Bootstrap örneklemi · B |
tamsayı · Seçenekler | 200 | 0–5000 | bs_samples (40–47, 151). |
Aralık uçlarının kapanışı · kapanis |
seçim · Model | sol_acik |
sol_acik (L,R], kapali [L,R], sag_acik [L,R), acik (L,R) |
Yalnız yarı parametrik: B = (55–62, 154). |
Güven düzeyi · guven |
ondalık · Seçenekler | 0,95 | 0,5–0,999 | Wald GA (63–71, 166). |
Bootstrap tohumu (0 = çalıştırmanın tohumu) · boot_tohum |
tamsayı · Gelişmiş | 1 | 0–2147483647 | set.seed (72–80, 148–150). |
Gradyan yükselme · ga_algoritmasi |
onay · Gelişmiş | açık | açık / kapalı | useGA (81–87, 155–156). |
En çok yineleme · maks_yineleme |
tamsayı · Gelişmiş | 10000 | 10–1000000 | maxIter (88–96, 155–156). |
Yineleme başına taban güncellemesi · taban_guncelleme |
tamsayı · Gelişmiş | 5 | 1–1000 | baseUpdates (97–105, 155–156). |
Örnek ayar (ornek_param, satır 9): sol = left, sag = right, x = gender, model = ph, taban = yari, B = 50 (varsayılan 200'den küçüktür).
Şablonun kendi denetimleri (hepsi mq_hata ile çalıştırmayı durdurur):
| Koşul | İleti (özet) | Satır |
|---|---|---|
| Veri açık değil | "Önce Veri sekmesinde bir veri açın." | 110 |
| Sol ve sağ aynı sütun | "Sol ve sağ uç sütunları farklı olmalı." | 111 |
| Ortak değişken yok (uçlar çıkarıldıktan sonra) | "En az bir ortak değişken seçin." | 113 |
| Ağırlık sütunu uç sütunu | "Ağırlık sütunu aralık ucu olamaz." | 115 |
| Uç sütunlarından biri sayısal değil | "Aralık uçları sayısal olmalı." | 119 |
| Bilgi taşıyan 10'dan az satır | "Bilgi taşıyan en az 10 satır gerekli." | 130 |
| Ağırlık sayısal değil, eksik, negatif ya da hepsi sıfır | "Ağırlıklar eksiksiz ve negatif olmayan sayılar olmalı…" | 131 |
| L<0 | "Sol uç negatif olamaz." | 132 |
| L>R (herhangi bir satır) | "Her satırda sol uç sağ uçtan büyük olamaz." | 133 |
| Parametrik tabanda R\le0 | "Parametrik tabanda sağ uç pozitif olmalı." | 134 |
| Faktör tek düzeyli | "'x' tek düzeyli; ortak değişkenlerden çıkarın." | 137 |
| Sayısal ortak değişken sabit | "'x' sabit; ortak değişkenlerden çıkarın." | 138 |
ic_sp / ic_par hata verir |
"Model kurulamadı: …" | 161 |
Boş sol uç 0'a, boş sağ uç \infty'a çevrilir (120–121); ikisi birden boş olan (L=0, R=\infty) satır bilgi taşımadığından, ayrıca ortak değişkeni eksik olan satır atılır; kaç satırın hangi nedenle çıkarıldığı "Not: N satır çıkarıldı (…)" iletisiyle yazılır (123–128). Metin ya da mantıksal ortak değişken factor() yapılır (136).
Tohum. Şablon bootstrap'tan önce tohumu atar (148–150): boot_tohum 0 ise (alan boş ya da sayı değilse de) çalıştırmanın tohumu mq_tohum kullanılır (Bölüm 1.3; o da yoksa 1), 0'dan büyükse alandaki değer geçerlidir. Varsayılan 1'dir; bu durumda Kod panelindeki Tohum sonucu değiştirmez ve sonuç bugünkü ile aynıdır. Kod panelindeki Tohum'un sonuca bağlanması için boot_tohum = 0 yazılır. Parametrik tabanda ve B=0'da rastgelelik yoktur.
142.3 Örnek veri
ir_diabetes.csv: icenReg paketinin IR_diabetes verisi; insüline bağımlı diyabette diyabetik nefropatinin başlangıç yaşı (Borch-Johnsen vd., 1985; Anderson-Bergman, 2017). 731 kişi, eksik değer yok.
| Değişken | Rol | Tür (veri sekmesi) | Özet |
|---|---|---|---|
left |
aralığın sol ucu | sayısal | 0–44 (ortalama 15,27); yalnız bir satırda 0 |
right |
aralığın sağ ucu | sayısal | 2–44 (ortalama 18,11); sağdan sansür yok |
gender |
ortak değişken | ikili (iki düzeyli metin) | male 454, female 277 |
Gözlem türleri: 595 tam gözlenen (L=R), 135 aralık sansürlü (0<L<R), 1 soldan sansürlü, 0 sağdan sansürlü.
Düzey sırası. gender veri sekmesinde "ikili" sayılan iki düzeyli metin sütunudur; R'ye metin gider ve şablondaki factor() düzeyleri alfabetik sıralar (Bölüm 1.3): başvuru female, katsayı gendermale. Katsayı erkeklerin kadınlara göredir.
Bu bölümde kullanılan çalıştırmalar: asr_ornek (örnek ayar), asr_sp_b0 ve asr_sp_po (B=0, PH ve PO), asr_ph_* ve asr_po_* (beş parametrik taban, B=0), asr_kap_kapali, asr_kap_sag_acik, asr_kap_acik (kapanışlar), asr_ga_kapali (yineleme sınırı 100), asr_b300 (B=300), asr_guven90 ve sınır durumları: asr_eksik_sp, asr_eksik_w, asr_ters, asr_neg, asr_uc_w, asr_uc_sp, asr_agirlik, asr_xeksik, asr_sifir_sp, asr_sifir_w, asr_tam, asr_virgul, asr_sabit, asr_g01, asr_g01_kat, asr_tohum5, asr_tohum6, asr_b2. Ek veriler veri_uret.py ile ir_diabetes.csv'den türetilmiştir (tohum 7).
142.4 Yöntem: formüller ve hesap adımları
Hesap sırası: (i) uçlar tam gözlenen, soldan sansürlü, sağdan sansürlü ve aralık sansürlü satırlara ayrılır; (ii) model S(t\mid x) ve olabilirlik kurulur; (iii) yarı parametrik tabanda kütleler ve \beta birlikte, parametrik tabanda taban parametreleri ve \beta birlikte en büyütülür; (iv) SH (Hessian ya da bootstrap), z, p, Wald GA ve \exp(\beta) yazılır; (v) sağkalım eğrileri çizilir.
142.4.1 Aralık sansürlü olabilirlik
Her satır için olay zamanı T_i\in(L_i,R_i]'dir. S(t\mid x)=P(T>t\mid x) olmak üzere
- S(L)-S(R): olayın aralıkta gerçekleşme olasılığı. L=0 ise S(0)=1 (soldan sansür), R=\infty ise S(\infty)=0 (sağdan sansür).
- L_i=R_i: tam gözlenen olay; parametrik modelde yoğunluk f=-dS/dt, yarı parametrik modelde noktadaki olasılık kütlesi.
- w_i: gözlem ağırlığı (varsayılan 1);
weightsolarak geçer ve olabilirlikte sıklık gibi çarpılır.
Neden ortası ya da sağ ucu olay zamanı saymak yerine aralık olabilirliği?
Aralığın bir noktasını olay zamanı yapmak sağdan sansürlü Cox modeline iner ama aralığın genişliğini yok sayar; geniş aralıklı (seyrek izlenen) grupta tehlikeyi sistematik olarak yanlı kestirir ve SH'yi olduğundan küçük gösterir (Lindsey ve Ryan, 1998). Aralık olabilirliği bu bilgiyi doğru kullanır.
142.4.2 Orantılı tehlikeler ve orantılı odds
\eta=x'\beta ve S_0 taban sağkalım fonksiyonu olmak üzere:
| Model | S(t\mid x) | \exp(\beta) | Yorum |
|---|---|---|---|
PH (ph) |
S_0(t)^{\exp(\eta)} | tehlike oranı (HR) | h(t\mid x)=h_0(t)\,e^{\eta} |
PO (po) |
\dfrac{e^{\eta}S_0(t)}{1-S_0(t)+e^{\eta}S_0(t)} | sağkalım odds oranı (OR) | \dfrac{S}{1-S}=e^{\eta}\dfrac{S_0}{1-S_0} |
- h_0, S_0: taban tehlike ve sağkalım; \eta=x'\beta ortak değişken doğrusal toplamı.
- PO'da \exp(\beta)>1: sağkalım odds'u büyür, yani uzun sağkalım. PH'de \exp(\beta)<1 yine uzun sağkalımdır; aynı veride PH ve PO katsayılarının işaretleri bu yüzden zıt çıkar (örnekte erkek: PH -0{,}1402, PO +0{,}4013).
Koddaki tercih
Şablon icenReg'in ic_sp/ic_par çağrılarında model = P$model verir (151). icenReg'de PO'nun \beta'sı sağkalım odds'una göredir; esnek_parametrik şablonunda ise odds ölçeği olay odds'una göredir (Bölüm 146). İki şablonun OR değerleri bu nedenle zıt yönde okunur.
142.4.3 Yarı parametrik taban: Turnbull NPMLE
taban = yari iken S_0 parametrik bir aileyle değil, Turnbull (1976) destek aralıklarına yerleşen olasılık kütleleriyle temsil edilir. \beta ve kütleler birlikte en büyütülür (Finkelstein, 1986); icenReg bunu koşullu gradyan yükselme ve EMICM adımlarını birleştiren bir algoritmayla yapar (Anderson-Bergman, 2017). Taban kütleleri kesikli olduğundan S_0 basamak fonksiyonudur ve sağkalım eğrileri basamaklıdır.
Üç seçenek algoritmayı ayarlar: ga_algoritmasi gradyan yükselme adımlarını açar, maks_yineleme yineleme sınırını, taban_guncelleme her yinelemede taban kütle güncelleme sayısını belirler. Üçü varsayılandaysa makeCtrls_icsp çağrılmaz (155).
Kapanış. kapanis aralığın uçlarının ait olup olmadığını belirler: (L,R] (varsayılan), [L,R], [L,R), (L,R) (154: B = c(1,1), c(1,0), c(0,0)). Tam gözlenen satırlarda (L=R) her zaman noktadaki kütle kullanılır. Kapanış, 135 aralık sansürlü satır olduğundan sonucu etkiler: örnek veride \hat\beta -0{,}1402 ((L,R]), -0{,}1392 ([L,R]), -0{,}1345 ([L,R)) ve -0{,}1355 ((L,R)) olur.
Standart hata. Yarı parametrik modelde Hessian SH geçerli değildir; SH, B bootstrap örnekleminden gelen kovaryanstır (satır 151: bs_samples). B=0 ise SH, z, p ve GA NA kalır ve not yazılır (178–179). Bootstrap örnekleri rastgeledir: örnekte B=10 için SH 0,0971, B=50 için 0,0787, B=300 için 0,0779'dur; Weibull Hessian SH'si 0,0777'dir. Çıktıda SH dört anlamlı basamakla gelir.
142.4.4 Parametrik taban
taban \in {Weibull, log-normal, log-lojistik, gamma, üstel} iken S_0 aşağıdaki aileden gelir (icenReg adlandırması; parametreler log ölçeğindedir) ve tüm parametreler en çok olabilirlikle birlikte kestirilir; SH Hessian'dan alınır.
| Taban | S_0(t) | Tablodaki parametreler |
|---|---|---|
| Weibull | \exp\{-(t/a)^{k}\} | log_shape =\log k, log_scale =\log a |
| Log-normal | 1-\Phi\{(\log t-\mu)/s\} | mu =\mu, log_s =\log s |
| Log-lojistik | \{1+(t/\alpha)^{\beta_0}\}^{-1} | log_alpha =\log\alpha, log_beta =\log\beta_0 |
| Gamma | 1-F_{\Gamma}(t;\,k,\,\theta) | log_shape =\log k, log_scale =\log\theta |
| Üstel | \exp(-t/\theta) | log_scale =\log\theta |
Taban ortalama ortak değişkenli birey içindir
icenReg parametrik modelde ortak değişkenleri ortalamadan sapma olarak girer: \eta=(x-\bar x)'\beta. \beta ve olabilirlik bundan etkilenmez, ancak taban parametreleri başvuru düzeyindeki değil, ortalama ortak değişkenli bireyin dağılımını tanımlar. Örnekte Weibull PH log_scale =2{,}9364'tür; \bar x=454/731=0{,}6211 olduğundan başvuru düzeyi (kadın) için 2{,}9080 olur (=2{,}9364-\hat\beta\bar x/\hat k). Weibull PH ile log-lojistik PO'nun tabanı bu kaydırmaya kapalıdır (aile içinde kalır); log-normal ve gamma tabanında ya da Weibull PO'da kaydırma tabanı başka bir sağkalım fonksiyonuna götürür, dolayısıyla modeli başvuru kodlamasından bağımsız kılan, ortalama merkezlemedir. Bağımsız hesapta bu merkezleme uygulanmadığında log-normal PH için olabilirlik -2029{,}84'te, şablonda ise -2028{,}67'de kalır (142.6).
Denk modeller. Weibull PH, Weibull hızlandırılmış başarısızlık zamanı (AFT) modelidir: \beta_{\text{PH}}=-\gamma_{\text{AFT}}/\sigma, k=1/\sigma. Log-lojistik PO, log-lojistik AFT'dir: \beta_{\text{PO}}=\gamma_{\text{AFT}}/\sigma. Üstel PH de AFT'dir. Bu denklikler R doğrulamasında (survreg) kullanılır.
142.4.5 Tablolar ve \exp(\beta)
Her katsayı için z=\hat\beta/SH, p=2\Phi(-|z|) ve Wald aralığı \hat\beta\pm z_{1-\alpha/2}\,SH yazılır (166–169); \exp(\hat\beta) HR (PH) ya da OR (PO) sütununa gider. z_{1-\alpha/2}, guven =0{,}95 iken 1,959964 sabitiyle alınır (166; 1{,}959963985 ile fark 1{,}5\times10^{-8}), başka düzeyde qnorm'dan hesaplanır.
Taban parametrelerinin z ve p'si
log_shape, mu, log_s gibi taban parametreleri için de z ve p yazılır; bunlar parametrenin 0'dan farkını sınar (ör. Weibull şekli =1, ölçek =1) ve genellikle ilgisizdir (p = 0). Ortak değişken etkisi yalnız gender… satırıdır. HR/OR sütunu taban satırlarında boştur; log-lojistik tabanın log_alpha ve log_beta satırları da bu listededir (170) ve oran yazılmaz.
142.4.6 Model uyumu ve eğriler
"Model uyumu" tablosu n (satır sayısı), logLik, -2\log L, tabanı ve B'yi yazar (174–177). Yarı parametrik ve parametrik log olabilirlikler karşılaştırılamaz: yarı parametrikte tam gözlenen satır olasılık kütlesi, parametrikte yoğunluk olarak girer (-1964{,}96 ve -2027{,}20). Parametrik tabanlar kendi aralarında karşılaştırılabilir: PH için gamma -2008{,}41, log-lojistik -2005{,}91, log-normal -2028{,}67, Weibull -2027{,}20, üstel -2427{,}03 (üstelin kötü uyumu belirgindir); AIC yazılmaz, -2\log L ve parametre sayısından okuyucu hesaplar.
Eğri şekli: ilk ortak değişken faktörse her düzey için (öteki ortak değişkenler verinin ilk satırının değerinde), değilse taban eğrisi çizilir (182–194).
142.5 Kod adım adım
| Satırlar | Ne yapar | Neden / dikkat |
|---|---|---|
| 107–122 | icenReg yüklenir; ağırlık ve uç sütunları alınır; boş uçlar 0 ve ∞ olur |
Uçlar sayısal olmalı (119). |
| 123–139 | Bilgisiz ve ortak değişkeni eksik satırlar çıkarılır, sayıları not olarak yazılır; 10 satır, L<0, L>R, R\le0 (parametrik) denetimleri; metin sütunlar factor |
Not: "N satır çıkarıldı" (123–128). |
| 140–147 | Formül cbind(.sol, .sag) ~ …; gözlem türleri tablosu |
Sol 0, sağ ∞ olan satır sayılmaz (çıkarıldı). |
| 148–157 | set.seed (boot_tohum, 0 ise çalıştırma tohumu); ic_sp ya da ic_par çağrısı kurulur; ağırlık, kapanış ve denetim ayarları eklenir |
Çağrı quote ile kurulur, eval ile çalışır. |
| 158–163 | Çalıştırma, uyarılar toplanır, summary basılır |
Uyarılar metne yazılır, yakınsama tabloda yok. |
| 164–173 | \hat\beta, V, SH, z, p, GA ve \exp\beta; HR/OR tablosu | V bulunamazsa SH NA. |
| 174–180 | "Model uyumu"; B=0 notu; uyarı metni | |
| 182–194 | Sağkalım eğrileri (plot(m, yeni)); hata olursa metin |
İlk ortak değişken faktörse düzeylere göre. |
142.6 Elle hesap: örnek veride bağımsız yeniden hesap
Adım 1 — Gözlem türleri. ir_diabetes.csv satırları sayılır: L=R olanlar 595, L=0<R olan 1, 0<L<R olanlar 135, R=\infty olan 0 (toplam 731). Şablonun tablosu aynıdır.
Adım 2 — Bir satırın olabilirlik katkısı. Weibull PH tabanı için bağımsız hesap (dogrulama/aralik_sansur_regresyon/elle_hesap.py) \hat k=\exp(1{,}038962)=2{,}8263, \hat a=\exp(2{,}936396)=18{,}848, \hat\beta=-0{,}129326 verir. Birinci satır: erkek, (24{,}27]; c=\exp\{\hat\beta(1-0{,}6211)\}=0{,}9522; S(24)=\exp\{-(24/18{,}848)^{2{,}8263}\cdot0{,}9522\}=0{,}15181, S(27)=0{,}07210, katkı \log(0{,}15181-0{,}07210)=-2{,}52932. İkinci satır: kadın, tam gözlenen 22; yoğunluk f(22)=0{,}040262, katkı -3{,}21234. Yoğunluk ve aralık katkılarının 731 satır üzerindeki toplamı -2027{,}19633'tür (şablon: -2027{,}196333).
Adım 3 — Weibull PH'yi başka bir yoldan. survival::survreg(Surv(L, R, type = "interval2") ~ x, dist = "weibull") aralık sansürlü AFT'dir: \hat\gamma/\hat\sigma dönüşümüyle \hat\beta_{\text{PH}}=-\hat\gamma/\hat\sigma=-0{,}1293258, log_shape =-\log\hat\sigma=1{,}038962, log_scale (merkezlenmiş x ile) 2{,}936396, olabilirlik -2027{,}196333; SH delta yöntemiyle 0{,}0777198 ve Hessian'dan 0{,}0777198. Şablon: -0{,}12932581, 0{,}07772275.
Adım 4 — Wald çıktıları. z=-0{,}129326/0{,}077723=-1{,}6640, p=2\Phi(-1{,}664)=0{,}09611; HR =\exp(-0{,}129326)=0{,}87869; GA (-0{,}28166;\,0{,}02301), HR için (0{,}7545;\,1{,}0233). Şablonda z=-1{,}66394, p=0{,}0961249.
Adım 5 — Yarı parametrik model. Kütleler Turnbull destek noktalarına (41 ayrı sağ uç) yerleşir ve kendi L-BFGS yinelememle \beta ile birlikte en büyütülür: PH için \hat\beta=-0{,}140237, \log L=-1964{,}95966; PO için 0{,}401265, -1962{,}39988. R'de aynı kesikli olabilirlik optim ile en büyütülünce -0{,}140236 ve -1964{,}95960 çıkar. Şablon: -0{,}140236, -1964{,}959597 (olabilirlik 5\times10^{-5} düşüktür; fark icenReg yinelemesinin durma ölçütünden gelir). Kapanış seçenekleri için aynı olabilirlik uygun üyelik kümeleriyle kurulunca -0{,}139245, -0{,}134549, -0{,}135467 ve olabilirlikler -1959{,}49, -1972{,}37, -1981{,}30 elde edilir.
Adım 6 — Öteki tabanlar. Log-lojistik PO, survreg(dist = "loglogistic")'den \hat\beta_{\text{PO}}=\hat\gamma/\hat\sigma=0{,}385237, \log L=-2003{,}695488; üstel PH -0{,}058535, -2427{,}0336. Log-normal ve gamma tabanları için olabilirlik R'de açık biçimde yazılıp optim ve numDeriv::hessian ile uydurulmuştur.
Adım 7 — SH'nin doğrulanması. Yarı parametrik SH bootstrap'tan geldiğinden değeri bağımsız yolla birebir yinelenemez; bu nedenle yalnız büyüklük sınaması yapılmıştır: şablonun B=300 SH'si 0{,}0779, Weibull Hessian SH'si 0{,}0777, log-normal 0{,}0787 (üç yol uyumludur).
142.6.1 Doğrulama: MerQuR+, Python ve R
| Büyüklük | MerQuR+ | Python (bağımsız) | R (bağımsız) | En büyük fark | |
|---|---|---|---|---|---|
| Gözlem türü: tam gözlenen | 595 | 595 | — | 0 | ✓ |
| Gözlem türü: soldan sansürlü | 1 | 1 | — | 0 | ✓ |
| Gözlem türü: sağdan sansürlü | 0 | 0 | — | 0 | ✓ |
| Gözlem türü: aralık sansürlü | 135 | 135 | — | 0 | ✓ |
| Yarı parametrik PH, (L, R]: β | −0,14023641 | −0,14023688 | −0,14023627 | 4,8e−7 | ✓ |
| Yarı parametrik PH, (L, R]: log olabilirlik | −1964,95959696 | −1964,95965611 | −1964,95960235 | 3,0e−8 | ✓ |
| Yarı parametrik PO, (L, R]: β | 0,40126518 | 0,40126511 | 0,4012651 | 7,3e−8 | ✓ |
| Yarı parametrik PO, (L, R]: log olabilirlik | −1962,39981552 | −1962,39987704 | −1962,39982492 | 3,1e−8 | ✓ |
| Yarı parametrik PH, [L, R]: β | −0,13924563 | −0,13924493 | — | 7,0e−7 | ✓ |
| Yarı parametrik PH, [L, R]: log olabilirlik | −1959,48947136 | −1959,48989143 | — | 2,1e−7 | ✓ |
| Yarı parametrik PH, [L, R): β | −0,13455032 | −0,13454927 | — | 1,1e−6 | ✓ |
| Yarı parametrik PH, [L, R): log olabilirlik | −1972,37438896 | −1972,37492219 | — | 2,7e−7 | ✓ |
| Yarı parametrik PH, (L, R): β | −0,13546822 | −0,13546689 | — | 1,3e−6 | ✓ |
| Yarı parametrik PH, (L, R): log olabilirlik | −1981,29793319 | −1981,29820265 | — | 1,4e−7 | ✓ |
| Weibull PH: β | −0,12932581 | −0,12932578 | −0,12932581 | 3,0e−8 | ✓ |
| Weibull PH: SH(β) | 0,07772275 | 0,07771978 | 0,07771979 | 3,0e−6 | ✓ |
| Weibull PH: log olabilirlik | −2027,19633319 | −2027,19633319 | −2027,19633319 | 2,1e−15 | ✓ |
| Weibull PO: β | 0,3117297 | 0,31172972 | — | 2,5e−8 | ✓ |
| Weibull PO: SH(β) | 0,13205343 | 0,13215438 | — | 1,0e−4 | ✓ |
| Weibull PO: log olabilirlik | −2025,78280322 | −2025,78280322 | — | 2,4e−15 | ✓ |
| log-normal PH: β | −0,13470201 | −0,13470201 | −0,13470194 | 6,5e−8 | ✓ |
| log-normal PH: SH(β) | 0,07870476 | 0,07871729 | 0,0787173 | 1,3e−5 | ✓ |
| log-normal PH: log olabilirlik | −2028,6668921 | −2028,6668921 | −2028,6668921 | 3,4e−16 | ✓ |
| log-normal PO: β | 0,34069824 | 0,34069825 | 0,34069832 | 8,3e−8 | ✓ |
| log-normal PO: SH(β) | 0,13482051 | 0,13495128 | 0,13495132 | 1,3e−4 | ✓ |
| log-normal PO: log olabilirlik | −2026,91703456 | −2026,91703456 | −2026,91703456 | 4,9e−15 | ✓ |
| log-lojistik PH: β | −0,14587895 | −0,14587902 | — | 6,6e−8 | ✓ |
| log-lojistik PH: SH(β) | 0,0791728 | 0,07919418 | — | 2,1e−5 | ✓ |
| log-lojistik PH: log olabilirlik | −2005,9081204 | −2005,9081204 | — | 1,1e−16 | ✓ |
| log-lojistik PO: β | 0,38523681 | 0,38523695 | 0,38523696 | 1,5e−7 | ✓ |
| log-lojistik PO: SH(β) | 0,13836799 | 0,1384434 | 0,13844342 | 7,5e−5 | ✓ |
| log-lojistik PO: log olabilirlik | −2003,69548778 | −2003,69548778 | −2003,69548778 | 7,9e−16 | ✓ |
| gamma PH: β | −0,13788817 | −0,1378882 | −0,13788824 | 7,3e−8 | ✓ |
| gamma PH: SH(β) | 0,07799294 | 0,07802246 | 0,07802247 | 3,0e−5 | ✓ |
| gamma PH: log olabilirlik | −2008,41026488 | −2008,41026488 | −2008,41026488 | 5,0e−15 | ✓ |
| gamma PO: β | 0,34962194 | 0,34962196 | 0,34962205 | 1,1e−7 | ✓ |
| gamma PO: SH(β) | 0,13544205 | 0,13555605 | 0,13555606 | 1,1e−4 | ✓ |
| gamma PO: log olabilirlik | −2006,61937119 | −2006,61937119 | −2006,61937119 | 5,9e−15 | ✓ |
| üstel PH: β | −0,05853495 | −0,05853491 | −0,05853493 | 3,6e−8 | ✓ |
| üstel PH: SH(β) | 0,07676579 | 0,07677634 | 0,07677636 | 1,1e−5 | ✓ |
| üstel PH: log olabilirlik | −2427,03357516 | −2427,03357516 | −2427,03357516 | 1,9e−15 | ✓ |
| üstel PO: β | 0,11083283 | 0,11083281 | — | 2,1e−8 | ✓ |
| üstel PO: SH(β) | 0,11749607 | 0,11766205 | — | 1,7e−4 | ✓ |
| üstel PO: log olabilirlik | −2426,87839296 | −2426,87839296 | — | 2,6e−15 | ✓ |
| Weibull PH: taban parametresi log_shape | 1,03896178 | 1,03896178 | — | 5,7e−9 | ✓ |
| Weibull PH: SH(log_shape) | 0,02814449 | 0,02814565 | — | 1,2e−6 | ✓ |
| Weibull PH: taban parametresi log_scale | 2,93639639 | 2,93639638 | — | 1,0e−9 | ✓ |
| Weibull PH: SH(log_scale) | 0,01426699 | 0,01426695 | — | 4,2e−8 | ✓ |
| log-lojistik PO: taban parametresi log_alpha | 2,77272184 | 2,77272185 | — | 3,0e−9 | ✓ |
| log-lojistik PO: SH(log_alpha) | 0,01371838 | 0,01371841 | — | 3,5e−8 | ✓ |
| log-lojistik PO: taban parametresi log_beta | 1,58201024 | 1,58201024 | — | 1,2e−9 | ✓ |
| log-lojistik PO: SH(log_beta) | 0,03298615 | 0,03298899 | — | 2,8e−6 | ✓ |
| gamma PO: taban parametresi log_shape | 1,9984262 | 1,99842621 | — | 3,5e−9 | ✓ |
| gamma PO: SH(log_shape) | 0,05449116 | 0,05452061 | — | 2,9e−5 | ✓ |
| gamma PO: taban parametresi log_scale | 0,82478819 | 0,82478818 | — | 6,2e−9 | ✓ |
| gamma PO: SH(log_scale) | 0,05561973 | 0,05565017 | — | 3,0e−5 | ✓ |
| Weibull PH: z | −1,6639377 | −1,6640009 | — | 3,8e−5 | ✓ |
| Weibull PH: p | 0,09612488 | 0,09611225 | — | 1,3e−5 | ✓ |
| Weibull PH: GA alt | −0,2816596 | −0,28165375 | — | 5,9e−6 | ✓ |
| Weibull PH: GA üst | 0,02300798 | 0,02300219 | — | 5,8e−6 | ✓ |
| Weibull PH: HR = exp(β) | 0,87868763 | 0,87868766 | — | 2,6e−8 | ✓ |
Ölçütü karşılayan: 61/61. Ölçüt satır başına yazılıdır. Parametrik kestirimlerde 10^{-4} (üç yol farklı eniyileyiciyle aynı olabilirliği en büyütür); standart hatalarda 2\times10^{-3} göreli (sayısal Hessian'lar); yarı parametrik modelde β için 10^{-4} ve log olabilirlik için 10^{-3} (taban kütlelerinin düz yönleri). Gözlem türü sayıları tamdır. R sütunu survival::survreg (Weibull PH, üstel PH, log-lojistik PO; aralık sansürlü AFT'den dönüşüm) ve açık olabilirlik + optim + numDeriv (log-normal, gamma; yarı parametrik) ile hesaplanmıştır; icenReg çağrılmaz. Parametrik modelde ortak değişken ortalamadan sapma olarak girer (142.4.4).
142.7 Çıktıyı okuma
Örnek ayar (asr_ornek), konsol:
Model: Cox PH
Dependency structure assumed: Independence
Baseline: semi-parametric
Call: ic_sp(formula = f, data = d, model = P$model, bs_samples = as.integer(P$B))
Estimate Exp(Est) Std.Error z-value p
gendermale -0.1402 0.8692 0.07871 -1.782 0.0748
final llk = -1964.96
Iterations = 35
Bootstrap Samples = 50
WARNING: only 50 bootstrap samples used for standard errors.
Suggest using more bootstrap samples for inference
Tablolar (kısaltılmış):
olcut n parametre kestirim SH z p GA_alt GA_ust HR
Tam gözlenen 595 gendermale -0.140236 0.07871 -1.7817 0.0748 -0.2945 0.01403 0.8692
Soldan sansürlü 1
Sağdan sansürlü 0 olcut deger aciklama
Aralık sansürlü 135 n 731
logLik -1964.9596
-2logLik 3929.9192
Taban NPMLE
Bootstrap örneklemi 50
Şekil 142.1. Örnek ayar: erkek ve kadın için kestirilen sağkalım (basamak) eğrileri.

| Öğe | Ne yazar | Nasıl yorumlanır |
|---|---|---|
| Gözlem türleri | Dört gözlem türünün satır sayısı | Sağdan sansürlü satır azsa bilgi çoğunlukla aralıklardan gelir. |
kestirim |
\hat\beta | PH'de negatif = daha uzun sağkalım; PO'da pozitif = daha uzun sağkalım. |
SH |
Bootstrap (yarı parametrik) ya da Hessian (parametrik) | Bootstrap SH rastgeledir; B\ge200 kullanın. |
HR / OR |
\exp(\hat\beta) | PH'de tehlike oranı, PO'da sağkalım odds oranı; taban satırlarında boş olmalıdır. |
logLik |
Log olabilirlik | Yalnız aynı yöntem ve aynı veri içinde karşılaştırılır. |
| Şekil | Her düzey için kestirilen S(t) | İlk ortak değişken faktörse düzey başına eğri; öteki ortak değişkenler ilk satırın değerinde. |
Rapor cümlesi: Diyabetik nefropatinin başlangıç yaşı 731 kişide (595 tam gözlenen, 135 aralık sansürlü, 1 soldan sansürlü) aralık sansürlü orantılı tehlikeler modeliyle (yarı parametrik taban, 50 bootstrap örneği) incelendi; erkeklerde tehlike oranı 0,869 bulundu (%95 GA 0,745–1,014; p=0{,}075). Weibull tabanlı model aynı sonucu verdi (HR =0{,}879; %95 GA 0,754–1,023).
142.8 Sık hatalar ve tuzaklar
- Tohum.
boot_tohumvarsayılanda (1) Kod panelindeki Tohum'u yok sayar; panelin tohumunu sonuca bağlamak içinboot_tohum = 0verin (tohum 5 ve 6 farklı SH verir). - Küçük B. Örnek ayarın B=50'si uyarı doğurur; SH çok oynaktır (B=10: 0,0971; B=50: 0,0787; B=300: 0,0779). Yayın için B\ge500.
- PH ve PO katsayıları zıt yönlüdür. PO'da pozitif \hat\beta uzun sağkalımdır; PH'de negatiftir. İki modelin \exp(\beta)'sını doğrudan kıyaslamayın.
- Çıkarılan satırlar bildirilir. Bilgisiz (L=0, R=\infty) ve ortak değişkeni eksik satırlar atılır,
nküçülür (bir bilgisiz satırda 730, üç eksikyasdeğerinde 728); çıktıda "Not: N satır çıkarıldı" yazar. - Yarı parametrik ve parametrik olabilirlik karşılaştırılmaz (-1964{,}96 ve -2027{,}20).
- Yineleme sınırına çarpan uydurma yazılır.
ic_spyakınsamazsa yalnız uyarı metni basılır; "Model uyumu"nda göstergesi yoktur (asr_ga_kapali: \hat\beta=-0{,}13595, \log L=-1977{,}76). - Ağırlık sıklıktır. Ağırlıklarla n satır sayısı kalır, olabilirlik ve SH ağırlıklı toplama göre hesaplanır (\sum w=1460 civarı;
asr_agirlik: SH 0,0550, ağırlıksız 0,0777). - Düzey sırası. İkili metin sütununda başvuru alfabetik ilk düzeydir; üç düzeyli sütunda ilk görülen düzeydir (
asr_uc_w: başvuruC, katsayılargrupB,grupA). - Sıfır uç. L=R=0 olan satır yarı parametrik modelde tam gözlenen sayılır, parametrik modelde "sağ uç pozitif olmalı" hatası verir (
asr_sifir_sp,asr_sifir_w). - Virgüllü metin uçlar ("24,5") sayısal sütun olmadığından form çalıştırmayı başlatmaz (
asr_virgul); aralık uçları sayısal biçime çevrilmelidir. - Sayısal 0/1 sütun.
g01sayısal ortak değişken olarakg01, kategorik yapılırsag011adıyla gelir; HR aynıdır (asr_g01,asr_g01_kat).
142.9 Uzman soruları
S1. Yarı parametrik ve parametrik taban arasında nasıl seçilir?
Yarı parametrik taban dağılım varsayımı gerektirmez ama SH bootstrap'tan gelir (yavaş, rastgele) ve sağkalım eğrisi basamaklıdır. Parametrik taban SH'yi Hessian'dan verir ve düzgün eğri üretir; yanlış aile \hat\beta'yı ve SH'yi sınırlı etkiler. Örnekte PH katsayısı dört parametrik tabanda -0{,}129 ile -0{,}146 arasındadır, yarı parametrik tabanda -0{,}140'tır (üstel taban -0{,}059 verir ve uyumu çok kötüdür). Parametrik tabanlar arasında karar -2\log L ve parametre sayısıyla verilir (gamma ve log-lojistik en iyi; 142.4.6).
S2. Aralık uçlarının kapanışı sonucu ne kadar etkiler?
Tam gözlenen satırlardan etkilenmez; 135 aralık sansürlü satırda etkilidir: \hat\beta -0{,}1402 (L,R], -0{,}1392 [L,R], -0{,}1345 [L,R), -0{,}1355 (L,R). Fark SH'nin (\approx0{,}078) altında kalır, ama olabilirlik değişir (-1959{,}5 ile -1981{,}3) ve kapanışlar arası olabilirlik karşılaştırılamaz. Kapanış, muayene günü olayın o gün mü yoksa bir sonraki kontrolde mi sayıldığına göre seçilir.
S3. B=0 ile ne elde edilir?
\hat\beta, HR ve olabilirlik hesaplanır; SH, z, p ve GA NA kalır ve "B = 0" notu yazılır. Yalnız nokta kestirimi ve model karşılaştırması için hızlı yoldur; çıkarım için B>0 gerekir.
S4. Parametrik tabanda ortak değişken neden ortalamadan sapma olarak girer?
icenReg, sayısal eniyilemenin koşullanmasını iyileştirmek için ortak değişkenleri merkezler; \beta değişmez. Sonuç olarak taban parametreleri (ör. log_scale) ortalama ortak değişkenli birey içindir. Örnekte Weibull PH için 2{,}9364 (ortalama) ve 2{,}9080 (kadın). Başvuru düzeyindeki bireyin sağkalımını isteyen okuyucu bu kaymayı hesaba katmalıdır; log-normal ve gamma tabanında model sınıfı da bu merkezlemeye bağlıdır (142.4.4).
S5. `icenReg` ile `survreg` aynı sonucu verir mi?
Weibull PH, üstel PH ve log-lojistik PO için evet: bu modeller aralık sansürlü AFT ile denktir ve \beta ile olabilirlik 10^{-6} içinde aynıdır (142.6.1). Log-normal ve gamma tabanlı PH ya da PO için survreg'de karşılık yoktur; bağımsız doğrulama açık olabilirlikle yapılmıştır.
S6. Sınır durumu: tüm gözlemler tam gözlenmişse ne olur?
Model, sansürsüz tam gözlenen veriye iner: aralık sansürü yoktur ve olabilirlik her satırda noktadaki olasılık kütlesidir. Örnekte yalnız 595 tam gözlenen satır bırakıldığında \hat\beta=-0{,}1538, \log L=-1879{,}02 olur (asr_tam). Bu durumda cezali_cox ya da temel programdaki Cox modeli aynı soruyu daha hızlı yanıtlar; yaşların tam sayı olması nedeniyle çok sayıda bağlı zaman bulunduğundan bağlılığın işlenme biçimi (kütle olasılığı ya da kısmi olabilirlik) sonucu bir miktar değiştirebilir.
S7. PO modeli ne zaman PH'ye tercih edilir?
Gruplar arasındaki tehlike oranı zamanla birbirine yaklaşıyorsa (etkinin zamanla sönümlendiği tedavi ve maruziyetlerde) PO uygundur. Örnekte PO olabilirliği PH'den biraz yüksektir (-1962{,}40 ve -1964{,}96; yarı parametrik) ve parametrik tabanlarda da PO daha iyidir (Weibull -2025{,}78 ve -2027{,}20); aynı sayıda parametre ve aynı veri olduğundan fark doğrudan karşılaştırılabilir. PH'de \exp(\beta) tehlike oranı, PO'da sağkalım odds oranıdır; PO modeli PH'nin zamanla değişmeyen oranını varsaymaz.
S8. Yarı parametrik modelde SH için neden Hessian yerine bootstrap kullanılır?
Taban kütleleri sınırda (sıfırda) çözümlenir ve parametre sayısı veriyle büyür; bu nedenle olabilirliğin ikinci türevinden gelen kovaryans geçerli değildir. icenReg yarı parametrik modelde bs_samples örneklemli bootstrap kovaryansını verir; bunun maliyeti süredir (50 örnekte yaklaşık 27 saniye) ve rastgeleliktir (142.4.3).
142.10 Kaynaklar
- Anderson-Bergman, C. (2017). icenReg: Regression models for interval censored data in R. Journal of Statistical Software, 81(12). https://doi.org/10.18637/jss.v081.i12
- Anderson-Bergman, C. (2017). An efficient implementation of the EMICM algorithm for the interval censored NPMLE. Journal of Computational and Graphical Statistics, 26(2), 463–467. https://doi.org/10.1080/10618600.2016.1208616
- Bennett, S. (1983). Analysis of survival data by the proportional odds model. Statistics in Medicine, 2(2), 273–277. https://doi.org/10.1002/sim.4780020223
- Borch-Johnsen, K., Andersen, P. K. ve Deckert, T. (1985). The effect of proteinuria on relative mortality in type 1 (insulin-dependent) diabetes mellitus. Diabetologia, 28(8), 590–596. https://doi.org/10.1007/bf00281993
- Cox, D. R. (1972). Regression models and life-tables. Journal of the Royal Statistical Society: Series B, 34(2), 187–202. https://doi.org/10.1111/j.2517-6161.1972.tb00899.x
- Finkelstein, D. M. (1986). A proportional hazards model for interval-censored failure time data. Biometrics, 42(4), 845–854. https://doi.org/10.2307/2530698
- Lindsey, J. C. ve Ryan, L. M. (1998). Methods for interval-censored data. Statistics in Medicine, 17(2), 219–238. https://doi.org/10.1002/(SICI)1097-0258(19980130)17:2<219::AID-SIM735>3.0.CO;2-O
- Turnbull, B. W. (1976). The empirical distribution function with arbitrarily grouped, censored and truncated data. Journal of the Royal Statistical Society: Series B, 38(3), 290–295. https://doi.org/10.1111/j.2517-6161.1976.tb01597.x
- Gilbert, P. ve Varadhan, R. (2019). numDeriv: Accurate numerical derivatives (R paketi, sürüm 2016.8-1.1). https://doi.org/10.32614/CRAN.package.numDeriv (bağımsız doğrulamada).
- Therneau, T. (2026). A package for survival analysis in R (R paketi, sürüm 3.8-6). https://CRAN.R-project.org/package=survival (bağımsız doğrulamada).
- R Core Team (2026). R: a language and environment for statistical computing. R Foundation for Statistical Computing.