144. Aralıklı gözlenen çok durumlu Markov modeli
Şablon kimliği: cok_durumlu_msm · Kategori: sağkalım · Dil: R · Dosya: pro/sablonlar/sagkalim/cok_durumlu_msm.R (satır 1–277; üstbilgi 1–108) · Örnek veri: _ornek/cav.csv · Paketler: msm (1.8.2); isteğe bağlı minqa
144.1 Ne işe yarar
Şablon, bireylerin sonlu sayıda durum (bir hastalığın evreleri gibi) arasında geçtiği, ancak durumun yalnız düzensiz aralıklı ziyaretlerde gözlendiği verilerde, durumlar arası geçiş yoğunluklarını, durumda kalma sürelerini ve verilen bir süre sonundaki geçiş olasılıklarını kestirir (Jackson, 2011; Kalbfleisch ve Lawless, 1985). Cevapladığı soru: "Kalp nakli sonrası damar hastalığının (CAV) yok, hafif/orta ve ağır evreleri arasında hastalar yılda ne hızla geçiş yapıyor, ağır evreden ölüme geçiş hızı nedir ve beş yıl sonra bugün sağlıklı olan bir hasta hangi evrede olacak?" Geçişin tam anı bilinmediğinden, iki ziyaret arasında birden çok geçişin olabileceği hesaba katılır; bu, ziyaretler arasındaki durum çiftlerini doğrudan sayan basit geçiş tablolarından temel farktır.
Model, sürekli zamanlı ve zamanda türdeş bir Markov sürecidir: gelecekteki geçişler yalnız bugünkü duruma bağlıdır ve geçiş hızları zamanla değişmez. Ortak değişkenler her izinli geçişe ayrı bir katsayıyla, o geçişin hızına çarpımsal etkiyle girer.
Ne zaman kullanılır?
- Durum yalnız ziyaretlerde (anjiyografi, klinik kontrol, tarama) gözleniyor ve ziyaret zamanları bireyden bireye farklı.
- Birden çok ardışık evre ve geri dönüş (iyileşme) olasılığı var; son durum (ölüm) soğurucu.
- Ölüm zamanı kesin biliniyor (kayıt sistemi) ama hastalık evresi yalnız ziyarette ölçülüyor: şablonun
son_kesinseçeneği bunu kullanır.
Ne zaman kullanılmaz?
- Tüm geçiş zamanları kesin biliniyorsa ve ara olaydan sonraki riskin geçmişe bağlanması isteniyorsa:
cok_durumlu_mstate(Bölüm 145; geçişe özgü Cox modelleri, Aalen–Johansen kestirimi). - Yalnız tek olay ve sansür varsa: temel programdaki Kaplan–Meier ve Cox analizleri; yineleyen olay sayısı için
yineleyen_olay(Bölüm 154). - Geçiş hızları yaşa ya da hastalık süresine göre belirgin değişiyorsa (zamanda türdeş olmayan süreç): bu şablonda parçalı sabit hız yoktur; çıktıdaki gözlenen–beklenen yaygınlık şekli bu varsayımın denetimidir (144.7).
- Durum ölçümü hatalıysa (sınıflama hatası): bu şablonda gizli Markov (yanlış sınıflama) modeli yoktur.
- Sonuç iki duruma (yaşıyor/ölü) indirgenebiliyorsa ya da olay türleri birbirini dışlıyorsa (rekabet riskleri): temel programdaki rekabet riskleri analizi (Aalen–Johansen kümülatif insidans ve Gray testi).
Temel programla ilişki. Temel programda panel gözlemli çok durumlu Markov modeli yoktur; yoğunluk matrisi, geçiş olasılık matrisi ve durumda kalma süresi yalnız MerQuR+'tadır. Temel programın rekabet riskleri analizi tek bir başlangıç durumundan birden çok soğurucu olaya geçişi ele alır, geri dönüşlü evreler içermez.
144.2 Şablonun girdileri
Form on dört [[param]] bloğundan kurulur (cok_durumlu_msm.R:10–107). Türlerin ve formun ortak denetiminin anlamı Bölüm 1.2'de anlatılmıştır.
| Alan (form etiketi) · ad | Tür · sekme | Varsayılan | Geçerli değerler | Kodda etkisi |
|---|---|---|---|---|
Durum (1, 2, …, K tamsayı; K = soğurucu son durum) · durum |
sayısal sütun · Değişkenler | yok (zorunlu) | pozitif tamsayı | K=\max; 2–10 durum (10–14, 123–126) |
Ziyaret zamanı · zaman |
sayısal sütun · Değişkenler | yok (zorunlu) | sayısal | Ardışık ziyaret aralığı \Delta t (15–19, 127–129) |
Birey kimliği · birey |
kategorik sütun · Değişkenler | yok (zorunlu) | herhangi sütun | Bireye göre gruplama (20–24, 127–131) |
İzinli geçişler · yapi |
seçim · Model | ilerleme_geri |
ilerleme_geri, ilerleme, tam |
Q matrisinin sıfır olmayan konumları (25–31, 139–148) |
Son duruma giriş zamanı kesin biliniyor · son_kesin |
onay · Model | açık | açık/kapalı | deathexact = K (32–37, 172) |
Ortak değişkenler (her geçişe ayrı tehlike oranı) · ortak |
sütunlar · Değişkenler | boş (isteğe bağlı) | herhangi sütun | covariates = ~ … (38–43, 115, 132–137, 163, 173) |
Geçiş olasılık matrisi için süre t · t_olasilik |
ondalık · Çıktı | 1 | 0,001–1 000 000 | pmatrix.msm(t =) (44–51, 260) |
Geçiş zamanları kesin biliniyor · kesin_zaman |
onay · Model | kapalı | açık/kapalı | exacttimes = TRUE (52–58, 157–160, 170) |
Ortak değişkenleri ortala · ortala |
onay · Model | açık | açık/kapalı | center = FALSE; kapalıyken yoğunluk, kalma süresi ve P(t) sıfır ortak değişkende (covariates = 0) (59–65, 169, 218, 255, 260) |
Güven düzeyi · guven |
ondalık · Seçenekler | 0,95 | 0,5–0,999 | cl = (66–73, 171) |
Yoğunluk güven aralığı yöntemi · ga_yontemi |
seçim · Seçenekler | delta |
delta, normal |
qmatrix.msm(ci =) (74–81, 219) |
Optimizasyon algoritması · optimizer |
seçim · Gelişmiş | optim |
optim, bobyqa, nlm, fisher |
opt.method (82–89, 161, 167–168, 192–204) |
Göreli yakınsama toleransı · goreli_tol |
ondalık · Gelişmiş | 10^{-12} | 10^{-16}–0{,}01 | optim reltol (90–98, 166) |
En çok yineleme · maks_yineleme |
tamsayı · Gelişmiş | 10 000 | 10–1 000 000 | optim maxit (99–107, 166) |
Örnek ayar (ornek_param, satır 9): durum = state, zaman = years, birey = PTNUM, yapi = ilerleme_geri, son_kesin = açık, ortak = boş, t_olasilik = 5. Varsayılandan tek farkı t=5'tir.
Şablonun kendi denetimleri (hepsi mq_hata ile çalıştırmayı durdurur):
| Koşul | İleti (özet) | Satır |
|---|---|---|
| Veri açık değil | "Önce Veri sekmesinde bir veri açın." | 112 |
| Durum, zaman, birey sütunları aynı | "… birbirinden farklı olmalı." | 114 |
| Eksiksiz 10'dan az satır | "En az 10 tam satır gerekli." | 122 |
| Durum pozitif tamsayı değil | "Durum 1, 2, …, K biçiminde pozitif tamsayı olmalı." | 124 |
| K<2 ya da K>10 | "Durum sayısı 2 ile 10 arasında olmalı." | 126 |
| Aynı birey, aynı zaman | "… aynı zamanda birden çok ziyareti var." | 129 |
| İki ya da daha çok ziyareti olan 3'ten az birey | "En az 3 bireyin iki ya da daha çok ziyareti olmalı." | 131 |
| Ortak değişken sabit | "'x' sabit (tek düzeyli); … çıkarın." | 136 |
| Ardışık ziyaret çifti yok | "Ardışık ziyaret çifti yok." | 151 |
| Son durumdan çıkış | "Son durum (K) soğurucu olmalı; bazı bireyler bu durumdan çıkıyor." | 152 |
| Gözlenen geçiş seçilen yapıyla olanaksız | "… 'tüm geçişler' ya da 'ilerleme + geri dönüş' seçin." | 155 |
| Kesin zamanda yapıya aykırı atlama | "Kesin geçiş zamanlarında … tek bir izinli geçiş olmalı …" | 159 |
| Fisher puanlama + kesin zaman ya da kesin son durum | "Fisher puanlama yalnız panel verisinde …" | 161 |
msm hata verir |
"Model kurulamadı: …" (sayısal taşmada ölçekleme önerisiyle) | 190 |
| Olabilirlik sonlu değil | "Olabilirlik hesaplanamadı …" | 205 |
Notlar (çalıştırmayı durdurmaz): kestirim sırasındaki R uyarıları toplanıp "Uyarılar:" satırı olarak en sona yazılır (174–176, 264). Eksik değeri olan satırların sayısı, tümüyle çıkan ve ziyaret zinciri kesilen birey sayısıyla birlikte bildirilir (207–208). Hessian tersinir değilse standart hata yerine uyarı yazılır (229); yoğunluğu 10^{-6}'nın altına inen geçiş, sıfır ya da sonsuza giden tehlike oranı ve sıfırdan farklı optim yakınsama kodu için ayrı uyarılar vardır (230–235, 251–253). Sayısal ortak değişken ölçeklenmişse (aşağıda) bu bildirilir (249–250).
Tohum. Şablon rastgelelik yalnız ga_yontemi = normal seçilirse kullanır (asimptotik normal dağılımdan 1000 çekiliş; üstbilgi 80). Şablon tohumu kodda sabitlemez; R'nin üreteci panelin tohumuyla kurulur (Bölüm 1.3), bu seçenekte aralıklar tohuma göre değişir.
144.3 Örnek veri
cav.csv: msm paketinin cav verisi; Papworth Hastanesi'nde (Birleşik Krallık) kalp nakli sonrası yaklaşık yıllık anjiyografiyle izlenen 622 hastanın 2846 muayenesi (Sharples vd., 2003). Her satır bir muayenedir; satırlar hasta ve nakilden sonraki zamana göre sıralıdır. Eksik değer yalnız pdiag sütununda (30 satır).
| Değişken | Rol | Tür (veri sekmesi) | Özet |
|---|---|---|---|
PTNUM |
birey kimliği | sayısal | 622 hasta; hasta başına 2–15 satır (ortalama 4,58) |
years |
ziyaret zamanı | sayısal | nakilden sonraki yıl; 0–19,46; ortalama 3,85 |
state |
durum | sayısal | 1 = CAV yok (2039 satır), 2 = hafif/orta (351), 3 = ağır (205), 4 = ölüm (251) |
age |
olası ortak değişken | sayısal | muayenedeki yaş; 6,3–74,3; ortalama 48,9 |
sex |
olası ortak değişken | ikili (0/1) | 0 = erkek (2504 satır), 1 = kadın (342) |
dage |
olası ortak değişken | sayısal | verici yaşı; 0–61 |
pdiag |
olası ortak değişken | kategorik | IHD 1413, IDC 1283, CVCM 88, Restr 15, Other 10, Hyper 7; 30 eksik |
Durum kodlaması. Şablon durumu 1, 2, …, K tamsayıları olarak ister ve K'yı verideki en büyük değer olarak alır; en büyük durum soğurucu sayılır (125, 152). Ölümün hiç gözlenmediği bir alt kümede en büyük durum ağır CAV olur ve şablon, ondan çıkış gözlendiği için 152. satırdaki hatayla durur.
Düzey sırası. Bu veride kategorik rol yalnız isteğe bağlı pdiag ortak değişkeni için vardır; düzeyleri veri sekmesinin düzey sırası kuralıyla (ilk görülme sırası, Bölüm 1.3) R'ye aktarılır: IHD, IDC, … Birey kimliği sayısal olsa da şablon onu tek biçimli metne çevirir (mq_kimlik; 127); sıralama bu metne göredir, ancak hesap yalnız bireyin kendi ziyaretlerinin zaman sırasına bağlıdır.
Bu bölümde kullanılan çalıştırmalar: msm_ornek (örnek ayar); msm_panel (son_kesin kapalı); msm_sex ve msm_sex_ortalamasiz (ortak = sex; ikincisinde ortala kapalı); msm_tam (yapi = tam); msm_ilerleme; msm_normal; msm_guven90; msm_yin10 (maks_yineleme = 10); msm_bobyqa; msm_fisher_panel, msm_fisher_son_kesin; msm_kesin_zaman; msm_pdiag; msm_age.
144.4 Yöntem: formüller ve hesap adımları
Hesap sırası: (i) veri bireye ve zamana göre sıralanır, denetlenir; (ii) izinli geçişlerin yapısı Q matrisinin sıfır olmayan konumları olarak kurulur; (iii) gözlenen ardışık geçişlerin bu yapıyla uyumu denetlenir; (iv) başlangıç değerleri ham geçiş sayılarından üretilir ve msm olabilirliği en büyütür; (v) yoğunluk matrisi, ortak değişken tehlike oranları, durumda kalma süreleri ve P(t) bildirilir; (vi) gözlenen ve beklenen yaygınlık çizilir.
144.4.1 Geçiş yoğunluk matrisi
Durum süreci X(t)\in\{1,\dots,K\} için r\ne s olmak üzere q_{rs} anlık geçiş hızıdır:
- q_{rs}\ge 0: r durumundan s durumuna geçişin hızı (birim zaman başına). Zaman birimi
zamansütunununkidir; örnekte yıl. - q_{rr}\le 0: r durumundan herhangi bir durumu terk etme hızının eksi işaretlisi.
- Q=(q_{rs}): yoğunluk matrisi; satır toplamları sıfırdır. Soğurucu durumun K satırı sıfırdır.
İzinli geçişler yapi ile belirlenir (139–148). K=4 için:
yapi |
İzinli q_{rs} (r\ne s) | Serbest parametre |
|---|---|---|
ilerleme_geri |
1→2, 1→4, 2→1, 2→3, 2→4, 3→2, 3→4 | 7 |
ilerleme |
1→2, 1→4, 2→3, 2→4, 3→4 | 5 |
tam |
geçici durumlar arasında her yön ve her geçiciden 4'e: 1→2, 1→3, 1→4, 2→1, 2→3, 2→4, 3→1, 3→2, 3→4 | 9 |
Her geçici durumdan son duruma geçiş her yapıda izinlidir (140–141). ilerleme_geri'de komşu olmayan geçişler (1→3, 3→1) yoktur: bir hasta iki ziyaret arasında 1'den 3'e geçmişse bu, ara bir 2 durumundan geçerek açıklanır.
Neden yapı denetimi 152–156'da?
Olabilirlikte olanaksız bir geçişin olasılığı sıfırdır ve logaritması -\infty'dur. Şablon bunu msm'e bırakmadan, gözlenen her ardışık çiftin (I+Q)^{K} ulaşılabilirlik matrisinde karşılığı olup olmadığına bakar (154–155). İlerleme yapısında 2'den 1'e dönen bir hasta varsa çalıştırma Türkçe bir iletiyle durur. Çifti yapıyla uyumlu ama tek adımda ulaşılamayan (örneğin 1→3, ara durum 2) hasta hata değildir, çünkü ziyaretler arası zamanda 2'den geçmiş olabilir.
144.4.2 Olabilirlik
Zamanda türdeş Markov süreçte \Delta t süre sonundaki geçiş olasılıkları matris üstelidir (Cox ve Miller, 1965; Moler ve Van Loan, 2003):
- P(\Delta t): \Delta t aralığı için K\times K geçiş olasılık matrisi; her satır toplamı 1.
- \Delta t: bireyin ardışık iki ziyareti arasındaki süre.
- \exp(\cdot): matris üsteli (skaler üstel değil).
Birey i için ardışık ziyaretler (t_{ij},s_{ij}) ise panel gözlemli olabilirlik, ziyaretler arasındaki durumların gözlenmemesi nedeniyle yalnız uç durumları kullanır (Kalbfleisch ve Lawless, 1985):
Neden her çift ayrı çarpan?
Markov özelliği gereği ardışık aralıklardaki geçişler, ziyarette gözlenen durum verilince bağımsızdır; bu nedenle bireyin olabilirliği ardışık çiftlerin olasılık çarpımına ayrışır. İlk ziyaretin durumu koşulu olarak alınır ve bir olasılık katkısı vermez.
Son durumun kesin zamanı (son_kesin). Ölüm zamanı kesin biliniyorsa, hasta \Delta t süre içinde önce yaşayan bir k\ne K durumundan geçmiş, sonra tam ölüm anında K'ya girmiştir. Bu çiftin katkısı (deathexact = K; 172):
- r: ölümden önceki son ziyaretteki durum; \Delta t bu ziyaretle ölüm zamanı arasındaki süre.
- P_{rk}(\Delta t): ölümden hemen önce k durumunda olma olasılığı.
- q_{kK}: k'dan ölüme geçiş hızı; ölüm anındaki "yoğunluk".
son_kesin kapalıysa ölüm de bir panel gözlemidir: katkı P_{rK}(\Delta t) olur ve ölüm zamanı "en geç şu ana kadar" bilgisi sayılır. Bu daha az bilgi içeren olabilirliktir (örnekte -2\log L 3986,087; 144.6).
Tüm geçiş zamanları kesin (kesin_zaman). Ziyaret zamanlarının geçişin tam anı olduğu veride (exacttimes = TRUE; 170) olabilirlik, kalma süresinin üstel yoğunluğu ile geçiş yoğunluğunun çarpımıdır. Panel verisinde kullanılmaz (144.8).
144.4.3 Kestirim
msm parametreleri \theta_{rs}=\log q_{rs} ölçeğinde en büyütür; böylece q_{rs}>0 koşulu kendiliğinden sağlanır. Başlangıç değerleri gen.inits = TRUE ile ham geçiş sayılarından türetilir (165). Varsayılan en iyileme optim BFGS'dir; şablon reltol'u 10^{-12}'ye ve maxit'i 10 000'e çekerek paketin varsayılan durma ölçütünü sıkılaştırır (166). Standart hatalar, en büyük olabilirlik noktasında sayısal Hessian'ın tersinden (\hat\Sigma=\hat H^{-1} log parametre ölçeğinde) gelir.
Koddaki tercih: en iyileyici
optim (BFGS), bobyqa (minqa paketi, türevsiz; 168), nlm ve fisher seçilebilir. fisher Fisher puanlamasıdır ve yalnız panel verisinde, yanlış sınıflama olmadan çalışır; şablon kesin zaman ya da kesin son durum açıkken bu seçeneği reddeder (161). fisher seçildiğinde control listesi atılır (167): goreli_tol ve maks_yineleme Fisher çalıştırmasında etkisizdir; BFGS ile yeniden kestirimde (aşağıda) kullanılır.
Koddaki tercih: Fisher sonucu BFGS ile denetlenir
Fisher puanlama örnek veride birkaç yinelemede durur ve en iyi noktaya ulaşmaz: msm_fisher_panel çalıştırmasında Fisher -2\log L = 4119,974 verir (2 yineleme), BFGS ise 3986{,}087 (bağımsız Python ve R: 3986{,}0871); kestirimler (örneğin \hat q_{12}=0{,}0680 ve 0{,}1261) farklıdır. Şablon fisher seçildiğinde aynı modeli optim BFGS ile de kestirir (192–204) ve olabilirlik 10^{-6}'dan fazla düşükse BFGS çözümünü gösterir; iki -2\log L değerini veren "Fisher puanlama en iyi noktaya ulaşmadı" uyarısı çıktının başına yazılır (209). Fisher en iyi noktaya ulaşırsa (iki değer eşitse) Fisher sonucu kalır.
144.4.4 Ortak değişkenler
Ortak değişken vektörü z verilince her izinli geçişin hızı çarpımsal olarak değişir:
- q_{rs}^{(0)}: ortak değişkenler ortalamada (z=\bar z) iken taban yoğunluk.
- \beta_{rs}: geçişe özgü katsayı vektörü; her izinli (r,s) için ayrı kestirilir. Bu nedenle bir ortak değişken yedi geçişli modelde yedi katsayı ekler.
- \exp(\beta_{rs}): ortak değişkenin bir birim artışının r\to s hızını çarptığı tehlike oranı.
Her geçişe ayrı katsayı
Form etiketi ve açıklama ortak değişkenin her izinli geçişe ayrı bir tehlike oranıyla girdiğini söyler. Kod covariates = ~ x verir (173) ve msm her geçiş için ayrı \beta_{rs} kestirir: ortak = sex ile parametre sayısı 7'den 14'e çıkar (örnekte -2\log L 3954,777). Ortak (tek) etkili model bu şablonla kurulamaz.
ortala açıkken (varsayılan) ortak değişkenler ortalamadan çıkarılarak girer (center; 169) ve taban yoğunluklar ortalamadadır. Bu, parametre kestirimlerini ve yakınsamayı etkilemez (örnekte -2\log L aynıdır); yalnız q^{(0)}'ın tanımını değiştirir. ortala kapalıyken yoğunluk tablosu, ortalama kalma süreleri ve P(t) ortak değişkenler sıfırdayken hesaplanır (covariates = 0; 218) ve tablo başlığı "ortak değişkenler sıfırda" der: ortak = sex için q_{12} ortalamada 0,12746, sıfırda 0,13612'dir (SH 0,009988; bağımsız Python: 0,1361246).
Metin ya da mantıksal ortak değişken factor() ile etkene çevrilir (133) ve her ek düzey ayrı katsayı gerektirir. Beş ek düzeyli bir etken yedi geçişte 35 katsayı doğurur.
Sayısal ortak değişkenin ölçeklenmesi. Doğal ölçekte büyük değerli bir ortak değişken (örnekte age) msm'in olabilirlik hesabında sayısal taşma verebilir. Şablon bu hatada, standart sapması 2 ya da daha büyük sayısal ortak değişkenleri 10^{\lfloor\log_{10} s\rfloor} ile (örnekte 10) bölüp modeli yeniden kurar (178–189); olabilirlik değişmez ve tehlike oranları özgün birime \mathrm{HR}^{1/c} ile geri çevrilir (244), böylece tablo yıl başına oranı verir; ölçekleme bir notla bildirilir (249–250). age için -2\log L=3933{,}088 ve 1→2 oranı 1{,}145893^{1/10}=1{,}0137'dir. Ölçekleme de hata verirse ileti ölçeklemeyi önerir (190).
144.4.5 Bildirilen büyüklükler
Yoğunluk matrisi ve güven aralığı (qmatrix.msm; 219). ga_yontemi = delta iken \log q_{rs} için delta yöntemi kullanılır ve aralık log ölçekte kurulur:
- \widehat{SE}(\hat q_{rs})=\hat q_{rs}\,\widehat{SE}(\log\hat q_{rs}): delta yöntemiyle SH.
- Aralık, \hat q_{rs} etrafında simetrik olmayan, her zaman pozitif bir aralıktır. q_{rr} için aynı formül |q_{rr}| üzerinde uygulanır.
Örnekte q_{12}: 0{,}127874\,\exp(\pm1{,}96\cdot0{,}009023/0{,}127874) = (0{,}111358;\ 0{,}146840), tablo ile aynıdır. normal seçilirse asimptotik normal dağılımdan 1000 parametre çekilir, hızlar yeniden hesaplanır; aralık ve tablodaki SH çekilişlerden gelir (rastgele; tohuma bağlıdır).
Durumda kalma süresi. r durumunda ortalama kalma süresi -1/q_{rr}'dir (sojourn.msm; 255). r durumunda kalma süresi \text{Üstel}(-q_{rr}) dağılır; ortalaması örnekte 1. durum için 5,87 yıl. Soğurucu durum için kalma süresi tanımsızdır, tabloya girmez.
Geçiş olasılıkları. t_olasilik =t için P(t)=\exp(Qt) (pmatrix.msm; 260) bildirilir; ortak değişken varsa ortalamalarında (ortala kapalıysa sıfırda) hesaplanır.
Gözlenen ve beklenen yaygınlık (prevalence.msm; 266). Her zaman noktasında her durumdaki hastaların yüzdesi, gözlenen sayılardan ve modelin beklediği olasılıklardan hesaplanır. Zaman noktaları, 12 noktalı bir dizi olarak en küçük ziyaret zamanından ziyaret zamanlarının %95 niteliğine kadardır.
AIC. \text{AIC}=-2\log L+2k (k: tüm kestirilen parametrelerin sayısı; 263).
144.5 Kod adım adım
| Satırlar | Ne yapar | Neden / dikkat |
|---|---|---|
| 109–122 | Etiket işlevi, msm yüklenir; veri ve sütun denetimi; eksik satırlar çıkarılır |
Çıkarılan satır, tümüyle çıkan ve zinciri kesilen birey sayısı hesaplanır (116–121) |
| 123–131 | Durum tamsayı mı, K; zaman ve birey (mq_sayisal, mq_kimlik); bireye ve zamana göre sıralama; aynı zamanda birden çok ziyaret; ziyaret sayısı |
K=\max(\text{durum}) (125) |
| 132–137 | Ortak değişkenler: metin/mantıksal → factor, droplevels, sabit mi |
Sayısal sütun olduğu gibi kalır |
| 139–148 | Q iskeleti: son duruma her satırdan 1; tam, ileri, geri |
Köşegen msm'e bırakılır |
| 149–156 | Ardışık çiftler; son durum soğurucu mu; yapıyla uyum | Ulaşılabilirlik (I+Q)^K |
| 157–161 | Kesin zaman ve Fisher koşulları | Fisher ile kesin zaman birlikte reddedilir |
| 163–177 | Çağrı listesi (do.call(msm, arg)), uyarı toplama |
control ve opt.method'un çatışması 167'de çözülür |
| 178–191 | Sayısal taşmada ortak değişkenlerin ölçeklenip yeniden kurulması; hata iletisi | Ölçek bölenleri olcek vektöründe |
| 192–205 | Fisher için BFGS yeniden kestirimi; olabilirlik sonlu mu | Daha iyi olabilirlik BFGS'dedir |
| 207–215 | Eksik satır notu, Fisher notu, başlık satırı ve ardışık ziyaret çifti tablosu (statetable.msm) |
|
| 217–235 | q_{rs} tablosu (ortala kapalıysa covariates = 0); Hessian, sıfıra yakın yoğunluk ve yakınsama kodu uyarıları |
ci = "none" ise qmatrix.msm düz matris döndürür; .qg ikisini de okur |
| 237–254 | Ortak değişken varsa hazard.msm tablosu; ölçeklenen değişkenin oranı geri çevrilir; sınır oranı uyarısı |
Geçiş etiketi regex ile "1 - 2" biçimine çevrilir |
| 255–264 | Kalma süreleri (sojourn.msm), P(t), -2\log L ve AIC, uyarılar |
Uyarılar metin olarak sonda; Hessian tersinmezken SH sütunları boş |
| 266–276 | Yaygınlık şekli | tryCatch; hata verirse şekil atlanır |
144.6 Elle hesap: örnek veride bağımsız yeniden hesap
Adım 1 — Durum çiftleri. 2846 muayene ve 622 hasta 2224 ardışık çift verir (2846-622). Gözlenen çiftler (statetable.msm): 1→1: 1367, 1→2: 204, 1→3: 44, 1→4: 148, 2→1: 46, 2→2: 134, 2→3: 54, 2→4: 48, 3→1: 4, 3→2: 13, 3→3: 107, 3→4: 55. Yedi izinli geçişin dışında kalan ardışık çiftler (1→3: 44, 3→1: 4) gerçekte iki ziyaret arasında ara durumdan geçişin sonucudur ve panel olabilirliği bunu hesaba katar.
Adım 2 — Tek bir hastanın olabilirliği. 100002 numaralı hastanın durumları ve zamanları: (0;1), (1{,}00274;1), (2{,}00274;2), (3{,}09315;2), (4{,}0;2), (4{,}99726;3), (5{,}85479;4). Altı ardışık çiftin katkıları (kestirilen Q ile, bağımsız Python):
| Çift | \Delta t | Katkı | \log |
|---|---|---|---|
| 1→1 | 1,00274 | P_{11}=0{,}853624 | -0{,}158265 |
| 1→2 | 1,00000 | P_{12}=0{,}088372 | -2{,}426202 |
| 2→2 | 1,09041 | P_{22}=0{,}540535 | -0{,}615197 |
| 2→2 | 0,90685 | P_{22}=0{,}595271 | -0{,}518739 |
| 2→3 | 0,99726 | P_{23}=0{,}205699 | -1{,}581339 |
| 3→4 (kesin ölüm) | 0,85753 | \sum_{k<4}P_{3k}q_{k4}=0{,}217221 | -1{,}526840 |
Toplam \log L_{100002}=-6{,}826582. Son satır deathexact katkısıdır; P_{34}(0{,}85753) kullanılsaydı daha büyük bir sayı çıkardı, çünkü o, ölümün aralığın herhangi bir yerinde olduğu olasılıktır.
Adım 3 — Toplam olabilirlik. Bütün 2224 çiftin katkılarının eksi iki katı toplamı -2\log L=3968{,}797881'dir (Python ve R: 3968{,}7978812); msm el kitabının yayımladığı değer 3968{,}798'dir.
Adım 4 — Yoğunluklar ve SH. Bağımsız Python ve R, \log q ölçeğinde olabilirliği en büyütür; SH, sayısal Hessian'ın tersinden ve delta yönteminden gelir. Kestirilen Q:
Adım 5 — Kalma süreleri. -1/q_{11}=1/0{,}17036=5{,}8699 yıl; SH =\widehat{SE}(q_{11})/q_{11}^2=0{,}009601/0{,}17036^2=0{,}3308. -1/q_{22}=1{,}6448 (SH 0,1288); -1/q_{33}=2{,}2879 (SH 0,2744).
Adım 6 — P(5). \exp(5\hat Q) bağımsız olarak hesaplanır (özdeğerler -0{,}7839, -0{,}3365, -0{,}0950 ve 0). 1. durumdan: (0{,}519678;\ 0{,}138521;\ 0{,}091198;\ 0{,}250603); toplam 1. 2. durumdan: (0{,}243843;\ 0{,}138801;\ 0{,}180895;\ 0{,}436461); 3. durumdan: (0{,}061210;\ 0{,}068971;\ 0{,}169106;\ 0{,}700713).
Adım 7 — Ortak değişken. ortak = sex için bağımsız Python her geçişe ayrı \beta_{rs} ekler (q_{rs}\,e^{\beta_{rs}x}; 14 parametre). -2\log L=3954{,}776606 (şablon 3954{,}776608). Tehlike oranları: 1→2: 0,5633, 1→4: 1,1290, 2→1: 1,2908, 2→3: 1,0768, 3→2: 1,0966, 3→4: 2,4137; 2→4 oranı sıfıra gider: kadınlarda bu geçişin hızı sıfıra iner; 87 kadın hastada 2. durumdan sonra yalnız iki ölüm gözlenir ve bunlar 2→3→4 yoluyla açıklanabilir, olabilirlik \beta\to-\infty yönünde düzdür.
144.6.1 Doğrulama: MerQuR+, Python ve R
| Büyüklük | MerQuR+ | Python (bağımsız) | R (bağımsız) | En büyük fark | |
|---|---|---|---|---|---|
| Yayımlı −2 log L (3 ondalık; msm el kitabı, Model 1) | 3968,798 | 3968,798 | — | 0 | ✓ |
| −2 log L (6 ondalık) | 3968,797881 | 3968,7978812 | 3968,7978812 | 5,1e−11 | ✓ |
| Gözlenen ardışık çift sayısı (toplam) | 2224 | 2224 | — | 0 | ✓ |
| q 1-2: yoğunluk | 0,12787422 | 0,12787435 | 0,12787423 | 1,2e−7 | ✓ |
| q 1-2: SH | 0,00902273 | 0,00902274 | 0,00902273 | 7,5e−9 | ✓ |
| q 1-4: yoğunluk | 0,04248545 | 0,04248533 | 0,04248537 | 1,1e−7 | ✓ |
| q 1-4: SH | 0,00476341 | 0,0047634 | 0,00476336 | 4,3e−8 | ✓ |
| q 2-1: yoğunluk | 0,22510175 | 0,22510154 | 0,22510155 | 2,0e−7 | ✓ |
| q 2-1: SH | 0,03392163 | 0,0339216 | 0,03392147 | 1,5e−7 | ✓ |
| q 2-3: yoğunluk | 0,34259544 | 0,34259528 | 0,34259558 | 1,7e−7 | ✓ |
| q 2-3: SH | 0,03958376 | 0,03958352 | 0,03958363 | 2,4e−7 | ✓ |
| q 2-4: yoğunluk | 0,04026524 | 0,04026652 | 0,04026583 | 1,3e−6 | ✓ |
| q 2-4: SH | 0,0260553 | 0,02605492 | 0,026054 | 1,3e−6 | ✓ |
| q 3-2: yoğunluk | 0,13062322 | 0,13062389 | 0,13062368 | 6,7e−7 | ✓ |
| q 3-2: SH | 0,03308043 | 0,0330806 | 0,03308037 | 1,7e−7 | ✓ |
| q 3-4: yoğunluk | 0,30646019 | 0,30645917 | 0,30645969 | 1,0e−6 | ✓ |
| q 3-4: SH | 0,03938982 | 0,03938957 | 0,0393888 | 1,0e−6 | ✓ |
| Durum 1: ortalama kalma süresi | 5,86993386 | 5,86993352 | 5,86993605 | 3,7e−7 | ✓ |
| Durum 1: kalma süresi SH | 0,3308212 | 0,33082116 | — | 3,8e−8 | ✓ |
| Durum 2: ortalama kalma süresi | 1,64483848 | 1,64483602 | 1,64483705 | 1,5e−6 | ✓ |
| Durum 2: kalma süresi SH | 0,12881926 | 0,12881901 | — | 2,5e−7 | ✓ |
| Durum 3: ortalama kalma süresi | 2,28789281 | 2,28789463 | 2,28789309 | 8,0e−7 | ✓ |
| Durum 3: kalma süresi SH | 0,27435362 | 0,27435371 | — | 9,1e−8 | ✓ |
| P(5): durum 1 → 1 | 0,51967838 | 0,51967828 | — | 9,2e−8 | ✓ |
| P(5): durum 1 → 2 | 0,13852051 | 0,13852051 | — | 7,1e−9 | ✓ |
| P(5): durum 1 → 3 | 0,09119803 | 0,09119804 | — | 1,1e−8 | ✓ |
| P(5): durum 1 → 4 | 0,25060309 | 0,25060317 | — | 8,9e−8 | ✓ |
| P(5): durum 2 → 1 | 0,2438428 | 0,24384233 | — | 4,7e−7 | ✓ |
| P(5): durum 2 → 2 | 0,13880116 | 0,13880098 | — | 1,8e−7 | ✓ |
| P(5): durum 2 → 3 | 0,18089508 | 0,18089493 | — | 1,4e−7 | ✓ |
| P(5): durum 2 → 4 | 0,43646096 | 0,43646176 | — | 8,0e−7 | ✓ |
| P(5): durum 3 → 1 | 0,06120968 | 0,06120992 | — | 2,4e−7 | ✓ |
| P(5): durum 3 → 2 | 0,06897084 | 0,06897118 | — | 3,3e−7 | ✓ |
| P(5): durum 3 → 3 | 0,16910611 | 0,16910658 | — | 4,7e−7 | ✓ |
| P(5): durum 3 → 4 | 0,70071337 | 0,70071232 | — | 1,0e−6 | ✓ |
| P(5): durum 1 → 1 (R) | 0,51967838 | 0,51967828 | 0,51967842 | 9,2e−8 | ✓ |
| P(5): durum 1 → 2 (R) | 0,13852051 | 0,13852051 | 0,13852047 | 3,8e−8 | ✓ |
| P(5): durum 1 → 3 (R) | 0,09119803 | 0,09119804 | 0,09119805 | 2,1e−8 | ✓ |
| P(5): durum 1 → 4 (R) | 0,25060309 | 0,25060317 | 0,25060306 | 8,9e−8 | ✓ |
| Panel (son_kesin kapalı): −2 log L | 3986,087077 | 3986,08707744 | 3986,08707743 | 1,1e−10 | ✓ |
| Panel, q 1-2 | 0,12607237 | 0,12607212 | 0,12607238 | 2,5e−7 | ✓ |
| Panel, q 1-4 | 0,04864173 | 0,04864171 | 0,04864172 | 1,5e−8 | ✓ |
| Panel, q 2-1 | 0,2378901 | 0,23788827 | 0,23788997 | 1,8e−6 | ✓ |
| Panel, q 2-3 | 0,3050588 | 0,30505609 | 0,30505872 | 2,7e−6 | ✓ |
| Panel, q 2-4 | 0,07588483 | 0,07588603 | 0,07588491 | 1,2e−6 | ✓ |
| Panel, q 3-2 | 0,15064157 | 0,15063995 | 0,15064151 | 1,6e−6 | ✓ |
| Panel, q 3-4 | 0,33438822 | 0,33438652 | 0,33438816 | 1,7e−6 | ✓ |
| sex: −2 log L (her geçişin kendi katsayısı; 14 parametre) | 3954,776608 | 3954,77660609 | — | 4,8e−10 | ✓ |
| sex, tehlike oranı 1-2 | 0,56334486 | 0,56334387 | — | 9,9e−7 | ✓ |
| sex, GA alt 1-2 | 0,33338392 | 0,33338353 | — | 3,9e−7 | ✓ |
| sex, GA üst 1-2 | 0,95192783 | 0,9519256 | — | 2,2e−6 | ✓ |
| sex, q 1-2 (ortalamada) | 0,12745647 | 0,12705372 | — | 4,0e−4 | ✓ |
| sex, tehlike oranı 1-4 | 1,12912914 | 1,12912891 | — | 2,1e−7 | ✓ |
| sex, GA alt 1-4 | 0,62626255 | 0,62626278 | — | 2,3e−7 | ✓ |
| sex, GA üst 1-4 | 2,03577975 | 2,03577817 | — | 7,8e−7 | ✓ |
| sex, q 1-4 (ortalamada) | 0,04191777 | 0,04194587 | — | 2,8e−5 | ✓ |
| sex, tehlike oranı 2-1 | 1,29078195 | 1,29076824 | — | 1,1e−5 | ✓ |
| sex, GA alt 2-1 | 0,49167266 | 0,49166401 | — | 8,6e−6 | ✓ |
| sex, GA üst 2-1 | 3,3886734 | 3,38866097 | — | 3,7e−6 | ✓ |
| sex, q 2-1 (ortalamada) | 0,22644363 | 0,22676012 | — | 3,2e−4 | ✓ |
| sex, tehlike oranı 2-3 | 1,07676359 | 1,07674739 | — | 1,5e−5 | ✓ |
| sex, GA alt 2-3 | 0,51950667 | 0,51949839 | — | 8,3e−6 | ✓ |
| sex, GA üst 2-3 | 2,23177083 | 2,23173926 | — | 1,4e−5 | ✓ |
| sex, q 2-3 (ortalamada) | 0,33692107 | 0,33705803 | — | 1,4e−4 | ✓ |
| sex, q 2-4 (ortalamada) | 0,01187062 | 0,01029182 | — | 1,6e−3 | ✓ |
| sex, tehlike oranı 3-2 | 1,09661414 | 1,09656133 | — | 4,8e−5 | ✓ |
| sex, GA alt 3-2 | 0,13457786 | 0,13456734 | — | 1,1e−5 | ✓ |
| sex, GA üst 3-2 | 8,9358128 | 8,9356506 | — | 1,8e−5 | ✓ |
| sex, q 3-2 (ortalamada) | 0,13053777 | 0,13060291 | — | 6,5e−5 | ✓ |
| sex, tehlike oranı 3-4 | 2,41365733 | 2,41365034 | — | 2,9e−6 | ✓ |
| sex, GA alt 3-4 | 1,17633671 | 1,17633252 | — | 3,6e−6 | ✓ |
| sex, GA üst 3-4 | 4,952444 | 4,95243299 | — | 2,2e−6 | ✓ |
| sex, q 3-4 (ortalamada) | 0,31124073 | 0,31275561 | — | 1,5e−3 | ✓ |
| Yayımlı q 1-1 (5 ondalık) | −0,17036 | −0,17037 | — | 1,0e−5 | ✓ |
| Yayımlı q 1-2 (5 ondalık) | 0,12787 | 0,12787 | — | 0 | ✓ |
| Yayımlı q 1-4 (5 ondalık) | 0,04249 | 0,0425 | — | 1,0e−5 | ✓ |
| Yayımlı q 2-1 (5 ondalık) | 0,2251 | 0,22512 | — | 2,0e−5 | ✓ |
| Yayımlı q 2-2 (5 ondalık) | −0,60796 | −0,60794 | — | 2,0e−5 | ✓ |
| Yayımlı q 2-3 (5 ondalık) | 0,3426 | 0,34261 | — | 1,0e−5 | ✓ |
| Yayımlı q 2-4 (5 ondalık) | 0,04027 | 0,04021 | — | 6,0e−5 | ✓ |
| Yayımlı q 3-2 (5 ondalık) | 0,13062 | 0,13062 | — | 0 | ✓ |
| Yayımlı q 3-3 (5 ondalık) | −0,43708 | −0,4371 | — | 2,0e−5 | ✓ |
| Yayımlı q 3-4 (5 ondalık) | 0,30646 | 0,30648 | — | 2,0e−5 | ✓ |
| Yayımlı sex tehlike oranı 1-2 | 0,56334486 | 0,5632779 | — | 6,7e−5 | ✓ |
| Yayımlı sex tehlike oranı 3-4 | 2,41365733 | 2,413538 | — | 4,9e−5 | ✓ |
| Yayımlı sex tehlike oranı 1-4 | 1,12912914 | 1,1289701 | — | 1,4e−4 | ✓ |
| Yayımlı sex −2 log L (3 ondalık) | 3954,777 | 3954,777 | — | 0 | ✓ |
Ölçütü karşılayan: 87/87. Bağımsız Python, çok durumlu olabilirliği kendisi kurar: panel çifti için \log P_{rs}(\Delta t), P=\exp(Q\Delta t) (özdeğer ayrışması ya da scipy.linalg.expm); son duruma kesin zamanlı girişte \log\sum_{k<4}P_{rk}(\Delta t)\,q_{k4}. Parametre \log q; BFGS (scipy.optimize.minimize, sayısal gradyan) ve sayısal Hessian (h=10^{-4}); SH delta yöntemiyle. R sütunu aynı olabilirliği expm::expm ve optim(method = \"BFGS\") ile kurar, SH optimHess'ten gelir; msm çağrılmaz. Ölçüt satır başına yazılıdır: -2\log L için 2\times10^{-9} (göreli), yoğunluk ve olasılık için 10^{-5}, SH için 10^{-5}: üç yöntem de farklı sayısal Hessian ve yakınsama toleransı kullanır; yoğunluk düzeyinde en büyük fark ilgili satırdadır. sex modelinde 2\to4 geçişinin tehlike oranı sınırdadır (kadınlarda 2. durumdan yalnız iki ölüm gözlenir ve 2→3→4 yoluyla açıklanabilir; \hat\beta\to-\infty): olabilirlik bu yönde düzdür, bu yüzden -2\log L 2\times10^{-9} içinde eşleşirken yoğunluklar ve oranlar daha gevşek ölçütle (10^{-4}–2\times10^{-3}) karşılaştırılır ve 2\to4 oranı tabloya alınmaz. Yayımlı değerler msm el kitabıdır (Jackson, 2011; Model 1 ve cinsiyet ortak değişkenli Model 2). Yayımlı yoğunluklar 5 ondalıktır ve el kitabı en iyilemeyi daha gevşek ölçütle durdurur; olabilirliğin düz yönündeki q_{24}'te en çok 6\times10^{-5} fark görülür.
144.7 Çıktıyı okuma
Örnek ayar (msm_ornek), konsol:
n = 2846 ziyaret, 622 birey, 4 durum; -2 log L = 3968,797881; parametre sayısı = 7
-2 log L = 3968,7979; AIC = 3982,7979
Tablolar (kısaltılmış, ondalık nokta olduğu gibi):
Ardışık ziyaretlerde gözlenen durum çiftleri
kimden kime frekans kimden kime frekans
1 1 1367 1 3 44
2 1 46 2 3 54
3 1 4 3 3 107
1 2 204 1 4 148
2 2 134 2 4 48
3 2 13 3 4 55
Geçiş yoğunlukları q_rs (ortak değişkenler ortalamada; %95 GA)
gecis yogunluk SH GA_alt GA_ust
1 - 1 -0.170360 0.009601 -0.190256 -0.152544
1 - 2 0.127874 0.009023 0.111358 0.146840
1 - 4 0.042485 0.004763 0.034104 0.052927
2 - 1 0.225102 0.033922 0.167536 0.302448
2 - 2 -0.607962 0.047614 -0.708827 -0.521450
2 - 3 0.342595 0.039584 0.273170 0.429665
2 - 4 0.040265 0.026055 0.011327 0.143132
3 - 2 0.130623 0.033080 0.079516 0.214579
3 - 3 -0.437083 0.052413 -0.552887 -0.345535
3 - 4 0.306460 0.039390 0.238214 0.394258
Ortalama durumda kalma süreleri (-1 / q_rr)
durum ortalama_kalma_suresi SH GA_alt GA_ust
1 5.869934 0.330821 5.256065 6.555499
2 1.644838 0.128819 1.410781 1.917728
3 2.287893 0.274354 1.808687 2.894062
Geçiş olasılıkları P(t), t = 5
kimden durum_1 durum_2 durum_3 durum_4
Durum 1 1 0.519678 0.138521 0.091198 0.250603
Durum 2 2 0.243843 0.138801 0.180895 0.436461
Durum 3 3 0.061210 0.068971 0.169106 0.700713
Durum 4 4 0.000000 0.000000 0.000000 1.000000
Şekil 144.1. Örnek ayar: gözlenen (nokta) ve beklenen (çizgi) durum yaygınlığı, 0–10 yıl.

| Öğe | Ne yazar | Nasıl yorumlanır |
|---|---|---|
| Durum çiftleri | Ardışık ziyaretlerde gözlenen (r,s) sayıları | Seyrek hücreler (örnekte 3→1: 4) parametrelerin belirsizliğini artırır; yapı izin vermeyen çiftler zaman ara durumdan geçişle açıklanır. |
1 - 2 … 3 - 4 |
\hat q_{rs}, SH, GA | Yıl başına geçiş hızı: 1. durumdaki bir hasta yılda yaklaşık 0,128 hızla hafif/orta CAV'a geçer. |
r - r |
\hat q_{rr} | Durumu terk etme hızının eksi işaretlisi; tek başına yorumlanmaz, kalma süresine çevrilir. |
| Ortalama kalma süresi | -1/\hat q_{rr} | 1. durumda 5,87 yıl; kalma süresi üstel dağıldığından medyan \ln 2 ile çarpılarak (4,07 yıl) bulunur. |
| P(5) | \exp(5\hat Q) satırları | 1. durumdaki bir hastanın 5 yıl sonra yaşayıp CAV'sız kalma olasılığı 0,520, ölmüş olma olasılığı 0,251. |
| Yaygınlık şekli | Gözlenen ve beklenen yüzdeler | CAV'sız yüzde ilk yıllarda beklenenin üstündedir (1,8. yılda yaklaşık %91 gözlenen, %76 beklenen), geç yıllarda altındadır (10. yılda yaklaşık %20 gözlenen, %31 beklenen): zamanda türdeş modelin sınırlı uyumu; hızlar zamanla değişiyor olabilir. |
Rapor cümlesi: Kalp nakli sonrası damar hastalığının evreleri arasındaki geçişler, sürekli zamanlı ve zamanda türdeş çok durumlu Markov modeliyle (622 hasta, 2846 muayene; ölüm zamanı kesin) incelendi. CAV'sız durumda ortalama kalma süresi 5,87 yıl (%95 GA 5,26–6,56), ağır evreden ölüme geçiş hızı yılda 0,306 (%95 GA 0,238–0,394) bulundu; CAV'sız bir hastanın 5 yıl sonra ölmüş olma olasılığı 0,251'dir (-2\log L=3968{,}80; AIC =3982{,}80).
144.8 Sık hatalar ve tuzaklar
- Yapı verideki geçişlere uymalıdır. Örnek veride 2'den 1'e dönüş vardır;
yapi = ilerlemeseçilirse çalıştırma "Gözlenen bazı geçişler seçilen yapıyla olanaksız …" iletisiyle durur (msm_ilerleme). Doğru yapıilerleme_geri'dir. tamyapısı sıfıra giden hızlar üretebilir. Örnek veride 1→3 hızı 0{,}00000 çıkar (SH 2\times10^{-5}, GA üst sınırı 2{,}6\times10^{189}); şablon bu geçişi "yoğunluğu sıfıra yakın" uyarısıyla işaretler (230–232). -2\log L 3968,370 ile yalnız 0,43 azalır, AIC 3986,370 ileilerleme_geri'nin 3982,798'inden kötüdür (msm_tam). Seyrek geçişleri yapıdan çıkarmak gerekir.- Fisher puanlama en iyi noktaya ulaşmayabilir. Aynı panel veride
fisher-2\log L = 4119,974 verir, BFGS ise 3986,087 (msm_fisher_panel); şablon bunu BFGS yeniden kestirimiyle yakalar, uyarır ve BFGS sonucunu gösterir (192–204).bobyqaBFGS ile aynı en iyi noktaya ulaşır (3968,797881;msm_bobyqa). - Düşük
maks_yineleme.maks_yineleme = 10ile en iyileme erken durur (-2\log L 3968,984) ve "en iyileyici yakınsama kodu 1 (0 değil)" uyarısı (233–235) ile en sonda "Iteration limit in optim() reached without convergence" uyarısı yazılır (msm_yin10); sonuç tabloları yine de yazılmıştır, uyarı satırları okunmadan kullanılmamalıdır. - Kesin zaman panel veride kullanılamaz.
kesin_zaman = açıkile ziyaret zamanları geçiş anı sayılır; veride 1→3 gibi doğrudan izin verilmeyen atlamalar varsa durur (msm_kesin_zaman). Panel verisinde kapalı bırakın. - Fisher ve kesin son durum.
optimizer = fisherveson_kesin = açıkbirlikte seçilirse durur (msm_fisher_son_kesin); önceson_kesin'i kapatın. ortalaortak değişkenli tabloların taban noktasını değiştirir.ortala = açıkiken yoğunluklar ortak değişken ortalamasında, kapalıyken sıfırdadır ve başlık bunu söyler:ortak = sexiçin q_{12} 0,12746 ve 0,13612'dir (msm_sex,msm_sex_ortalamasiz). Kalma süreleri ve P(t) de aynı noktada hesaplanır; tehlike oranları ve -2\log L değişmez.- Her geçiş için ayrı katsayı. Tek bir ikili ortak değişken yedi katsayı ekler (
msm_sex: 14 parametre). Seyrek bir geçişte katsayı sınıra gider: örnekte 2→4 için tehlike oranı 0,00000 (GA 0–\infty) çıkar; bu bir etki değil verinin yokluğudur. - Çok düzeyli etken tanımlanamaz hâle gelir.
ortak = pdiag(6 düzey; 7\times5=35 ek katsayı, 42 parametre) Hessian'ı tersinmez yapar; şablon yoğunluk, tehlike oranı ve kalma süresi tablolarını standart hata ve güven aralığı olmadan yazar ve "Hessian tersinir değil" uyarısını verir (msm_pdiag; 192, 229, 242, 255–258).pdiag'ı eksik olan 30 satır (8 hasta tümüyle) bildirilerek çıkarılır (n=2816). Az düzeyli etkenleri birleştirin ya da yalnız gerekli ortak değişkeni seçin. - Doğal ölçekte büyük değerli ortak değişken.
ortak = ageilemsmdoğrudan çağrıldığında "numerical overflow in calculating likelihood" hatası çıkar (centeraçık ya da kapalı); şablon yaşı 10'a bölüp modeli kurar (-2\log L=3933{,}088), tehlike oranlarını yıl başına verir ve bunu bildirir (msm_age; 178–189, 244, 249–250). Standart sapması 2'den küçük ama büyük değerli (örneğin takvim yılı) ortak değişkenlerde ölçekleme yapılmaz; ortak değişkeni önceden merkezleyin. - Soğurucu durum verideki en büyük değerdir. Ölümün hiç gözlenmediği bir veride en büyük durum ağır CAV olur; ondan çıkış gözlenirse çalıştırma durur. Ölüm kodunu verinin en büyük değeri yapın.
- Eksik değerli satırlar çıkarılır ve bildirilir. Durum, zaman, birey ve ortak değişkenlerde eksik olan satırlar
complete.casesile çıkarılır (117–121); not satır sayısını, tümüyle çıkan ve ziyaret zinciri kesilen birey sayısını yazar (207–208). Zinciri kesilen bireyde kalan ziyaretler arasındaki süre uzar. normalaralık rastgeledir. Aynı veridedeltaSH 0,009601,normalSH 0,009420'dir (msm_normal); tohumu kaydedin (Bölüm 1.3).- Yakınsama durumu raporlanır.
m$opt$convergenceokunur ve 0 değilse uyarı yazılır (233–235);optim'in R uyarıları ayrıca sonda toplanır.
144.9 Uzman soruları
S1. Zamanda türdeş Markov varsayımı hangi anlama gelir ve nasıl denetlenir?
Geçiş hızları zamandan ve geçmişten bağımsızdır; kalma süreleri üstel dağılır. Denetim, modelin beklediği ve gözlenen durum yaygınlığını karşılaştırmaktır (Şekil 144.1; prevalence.msm). Örnekte CAV'sız yüzde ilk yıllarda gözlenende beklenenden yüksek, 8. yıldan sonra düşüktür (10. yılda yaklaşık %20 ve %31); hızlar zamanla değişiyor olabilir. Şablonda zamana bağlı hız yoktur; ortak değişkenle (nakilden sonraki süre ya da yaş) yaklaşık bir denetim yapılabilir.
S2. Neden panel olabilirliği matris üstelidir?
İki ziyaret arasında yaşanan geçişlerin sayısı ve sırası bilinmez; yalnız uç durumlar bilinir. Koşullu olasılık P_{rs}(\Delta t)=[\exp(Q\Delta t)]_{rs}, aradaki bütün olası yolların toplamıdır (Kolmogorov denklemlerinin çözümü). Örnekte 1→3 gözlenen 44 çift bunun sayesinde doğrudan 1→3 hızı gerektirmeden açıklanır.
S3. `son_kesin` açık ile kapalı arasında ne fark vardır?
Açıkken ölüm zamanı kesin; katkı \sum_{k\ne K}P_{rk}q_{kK}'dır. Kapalıyken ölüm "bir panel gözlemi"dir: katkı P_{rK}; ölüm zamanı yalnız ziyaretin gözlendiği anda bilinen bir üst sınır olur. Örnekte açıkken -2\log L 3968,798, kapalıyken 3986,087; iki olabilirlik aynı veriye farklı bilgi yüklediğinden karşılaştırılamaz. Ölüm zamanları kayıt sisteminden geliyorsa açık seçilmelidir.
S4. Yoğunluk güven aralığı neden log ölçeğinde?
q_{rs}>0 olduğundan doğrusal Wald aralığı sıfırın altına inebilir. \log q için normal yaklaşım daha iyidir ve aralık dönüştürülünce pozitif kalır. Örnekte q_{24} için doğrusal aralık (-0{,}0108;\ 0{,}0913) olurdu; şablon (0{,}0113;\ 0{,}1431) verir.
S5. Ortak değişkenin her geçişe ayrı katsayısı model seçimini nasıl etkiler?
Parametre sayısı ortak değişken sayısı çarpı geçiş sayısıdır. Seyrek geçişlerde katsayı sınıra gider (2→4 için tehlike oranı 0). Seçenekler: seyrek geçişleri yapıdan çıkarmak, ortak değişkeni yalnız ilgili geçişlere sınırlamak (şablonda yok; msm paketinde constraint ile mümkün) ya da AIC ile karşılaştırmak (örnekte ortak = sex AIC 3982,777, ortak değişkensiz 3982,798).
S6. `msm` paketinin varsayılan en iyilemesi ile şablonunki arasındaki fark ne?
El kitabı, optim'i paketin varsayılan durma ölçütüyle çalıştırır; şablon reltol'u 10^{-12}'ye ve maxit'i 10 000'e çeker. El kitabı Model 1 yoğunlukları olabilirliğin düz yönündeki q_{24}'te en çok 6\times10^{-5} farklıdır; -2\log L aynıdır (3968,798).
S7. Kalma süresi neden olasılık matrisinin bir fonksiyonu değildir?
Kalma süresi yalnız q_{rr}'ye bağlıdır ve üstel dağılır; P(t) ise bütün hızların matris üstelidir. r durumunda başlayıp geri dönenlerin toplam süresi P(t)'de yer alır, kalma süresinde ise birinci terk etmeye kadar geçen süre sayılır.
S8. Başka bir araçla fark çıkar mı?
Bağımsız olarak kurulan olabilirlik (\exp(Q\Delta t), scipy.linalg.expm ve expm::expm; en iyileme BFGS) şablonla -2\log L bakımından 10^{-9} içinde, yoğunluk bakımından 10^{-6} içinde, SH bakımından 10^{-5} içinde uyuşur (144.6.1). Fark, farklı sayısal Hessian ve farklı durma ölçütündendir.
144.10 Kaynaklar
- Andersen, P. K. ve Keiding, N. (2002). Multi-state models for event history analysis. Statistical Methods in Medical Research, 11(2), 91–115. https://doi.org/10.1191/0962280202SM276ra
- Cox, D. R. ve Miller, H. D. (1965). The theory of stochastic processes. Chapman & Hall.
- Jackson, C. H. (2011). Multi-state models for panel data: the msm package for R. Journal of Statistical Software, 38(8), 1–28. https://doi.org/10.18637/jss.v038.i08
- Jackson, C. H., Sharples, L. D., Thompson, S. G., Duffy, S. W. ve Couto, E. (2003). Multistate Markov models for disease progression with classification error. Journal of the Royal Statistical Society: Series D, 52(2), 193–209. https://doi.org/10.1111/1467-9884.00351
- Hougaard, P. (1999). Multi-state models: a review. Lifetime Data Analysis, 5(3), 239–264. https://doi.org/10.1023/A:1009672031531
- Kalbfleisch, J. D. ve Lawless, J. F. (1985). The analysis of panel data under a Markov assumption. Journal of the American Statistical Association, 80(392), 863–871. https://doi.org/10.1080/01621459.1985.10478195
- Marshall, G. ve Jones, R. H. (1995). Multi-state models and diabetic retinopathy. Statistics in Medicine, 14(18), 1975–1983. https://doi.org/10.1002/sim.4780141804
- Moler, C. ve Van Loan, C. (2003). Nineteen dubious ways to compute the exponential of a matrix, twenty-five years later. SIAM Review, 45(1), 3–49. https://doi.org/10.1137/S00361445024180
- Sharples, L. D., Jackson, C. H., Parameshwar, J., Wallwork, J. ve Large, S. R. (2003). Diagnostic accuracy of coronary angiography and risk factors for post–heart-transplant cardiac allograft vasculopathy. Transplantation, 76(4), 679–682. https://doi.org/10.1097/01.TP.0000071200.37399.1D
- Maechler, M., Dutang, C. ve Goulet, V. (2024). expm: Matrix exponential, log, 'etc' (R paketi, sürüm 1.0-0). https://doi.org/10.32614/CRAN.package.expm (bağımsız doğrulamada).
- R Core Team (2026). R: a language and environment for statistical computing. R Foundation for Statistical Computing.