152. Boylamsal ve sağkalım verisi için ortak (joint) model
Şablon kimliği: ortak_model · Kategori: sağkalım · Dil: R · Dosya: pro/sablonlar/sagkalim/ortak_model.R (satır 1–257; üstbilgi 1–132) · Örnek veri: _ornek/aids.csv · Paketler: JM 1.5-2, nlme 3.1-168, survival 3.8-6
152.1 Ne işe yarar
Şablon, aynı deneklerde tekrar tekrar ölçülen bir biyobelirteç (ör. CD4 sayısı, PSA, kreatinin) ile bir olayın zamanını (ölüm, nüks, greft kaybı) tek bir olabilirlikte birleştirir ve şunu sorar: "Belirtecin ölçüm hatasından arındırılmış gerçek yörüngesi, olay tehlikesini ne kadar değiştirir?" Boylamsal alt model belirtecin denek başına yörüngesini, sağkalım alt modeli olayın tehlikesini kurar; iki alt model paylaşılan rastgele etkilerle bağlanır (Wulfsohn ve Tsiatis, 1997; Henderson, Diggle ve Dobson, 2000; Rizopoulos, 2010, 2012).
Belirteci doğrudan zamana bağlı bir kovaryat olarak Cox modeline koymak iki sorun yaratır: ölçümler seyrek ve düzensiz zamanlarda alınır, ölçümde hata vardır; bu ilişkiyi sıfıra doğru yanlı kestirir (Prentice, 1982). Ayrıca olay (ya da çekilme) belirteç ölçümlerinin sayısını ve değerini etkiler; boylamsal kestirimler bundan da bozulur. Ortak model her iki sorunu aynı olabilirlik içinde ele alır.
Boylamsal alt model doğrusal karma modeldir:
sağkalım alt modeli orantılı tehlikeler modelidir:
Ne zaman kullanılır?
- Belirteç tekrarlı ölçülüyor, ölçüm hatası ve düzensiz ölçüm zamanı önemli ve amaç belirtecin olay riskiyle ilişkisini (ya da olaya göre düzeltilmiş belirteç yörüngesini) kestirmekse.
- Belirteç yörüngesi bireye özgü ve doğrusal bir eğimle iyi özetleniyorsa (rastgele kesişim ve eğim).
- Belirtecin düzeyi mi, eğimi mi (değişim hızı) yoksa ikisi birden mi riski belirliyor sorusu aranıyorsa (152.4.5).
Ne zaman kullanılmaz?
- Belirteç denek başına yalnız bir kez (başlangıçta) ölçülmüşse: temel programdaki Cox regresyonu.
- Yalnız boylamsal profil istenirse (olay yok): temel programdaki doğrusal karma modeller; olay zamanı kümeler içinde ilişkiliyse
karma_etkili_cox(Bölüm 148). - Sağkalım hedefi bir gelecek zamana ait dinamik öngörü ya da ayırma gücüyse:
klinik_tahmin(Bölüm 150),zamana_bagli_roc(Bölüm 155); bu şablon öngörü üretmez, yalnız modeli kestirir. - Birden çok olay türü (rekabet eden riskler) ya da yinelenen olay varsa:
cok_durumlu_mstate(Bölüm 145),yineleyen_olay(Bölüm 154). - Belirteç ikili ya da sayım türündeyse: boylamsal alt model burada yalnız normal dağılımlı sürekli belirteç içindir.
- Çok sayıda aday öngörücü varsa:
cezali_cox(Bölüm 143); ortak model az sayıda önceden belirlenmiş değişken içindir.
Temel programla ilişki. Temel programda doğrusal karma model ve Cox regresyonu ayrı ayrı vardır; ikisini bağlayan ortak olabilirlik ve ilişkilendirme parametresi \alpha yalnız MerQuR+'tadır.
152.2 Şablonun girdileri
Form on yedi [[param]] bloğundan kurulur (ortak_model.R:10–131). Türlerin ve formun ortak denetiminin anlamı Bölüm 1.2'de anlatılmıştır.
| Alan (form etiketi) · ad | Tür · sekme | Varsayılan | Geçerli değerler | Kodda etkisi |
|---|---|---|---|---|
Denek kimliği · kimlik |
kategorik sütun · Değişkenler | yok (zorunlu) | herhangi sütun | factor(as.character(.)) (10–14, 150). |
Boylamsal belirteç · y |
sayısal sütun · Değişkenler | yok (zorunlu) | sayısal sütun | y_{ij} (15–19, 146–149). |
Belirteç dönüşümü · donusum |
seçim · Model | yok |
yok, karekok, log |
Karekök için y\ge0, log için y>0 (20–26, 147–148). |
Ölçüm zamanı · zaman |
sayısal sütun · Değişkenler | yok (zorunlu) | \ge0 | t_{ij} (27–31, 149, 153). |
Boylamsal ana etkiler · x_boylamsal |
sütunlar · Değişkenler | boş | herhangi sütunlar | Boylamsal modelde ana etki (32–37, 182). |
Zamanla etkileşen değişkenler · x_zaman_etk |
sütunlar · Değişkenler | boş | herhangi sütunlar | Yalnız zaman × x terimi (38–43, 182). |
Rastgele zaman eğimi · rastgele_egim |
onay · Model | açık | açık/kapalı | ~ .t | .id ya da ~ 1 | .id (44–49, 184). |
Olay ya da sansür zamanı · olay_zamani |
sayısal sütun · Değişkenler | yok (zorunlu) | >0, denek içinde sabit | T_i (50–54, 149, 152, 155). |
Olay göstergesi · olay |
sayısal sütun · Değişkenler | yok (zorunlu) | 0 ve 1, denek içinde sabit | \delta_i (55–59, 151, 155). |
Sağkalım temel kovaryatları · x_sagkalim |
sütunlar · Değişkenler | boş | herhangi sütunlar | \mathbf w_i; her deneğin ilk satırından (60–65, 161, 192). |
Taban tehlike ve kareleme · taban |
seçim · Model | piecewise-PH-aGH |
dört seçenek (aşağıda) | jointModel(method =) (66–72, 200). |
İlişki yapısı · parametrelestirme |
seçim · Model | value |
value, slope, both |
parameterization ve derivForm (73–80, 202–207). |
Gecikme · gecikme |
ondalık · Model | 0,0 | \ge0 | lag (81–88, 201). |
Gauss–Hermite noktası · gh_nokta |
tamsayı · Gelişmiş | 0 (otomatik) | 0–50 | GHk; 0 iken uyarlamalıda 5, öteki 15 (89–97, 195). |
İç düğüm sayısı · dugum_sayisi |
tamsayı · Gelişmiş | 0 (paket) | 0–30 | lng.in.kn (98–106, 196). |
Optimizasyon · optimizer |
seçim · Gelişmiş | optim |
optim, nlminb |
control$optimizer (107–113, 197). |
EM yinelemesi · em_yineleme |
tamsayı · Gelişmiş | 0 (paket: 50) | 0–10 000 | iter.EM (114–122, 188). |
Yarı-Newton yinelemesi · qn_yineleme |
tamsayı · Gelişmiş | 0 (paket: 150) | 0–10 000 | iter.qN (123–131, 189). |
taban seçenekleri (66–72): piecewise-PH-aGH (parçalı sabit taban tehlike, uyarlamalı Gauss–Hermite; varsayılan), piecewise-PH-GH (aynı taban, sabit 15 noktalı Gauss–Hermite; yavaş), weibull-PH-aGH, spline-PH-aGH (log taban tehlike B-spline).
Örnek ayar (ornek_param, satır 9): kimlik = patient, y = CD4, donusum = karekok, zaman = obstime, x_boylamsal = [], x_zaman_etk = [drug], rastgele_egim = açık, olay_zamani = Time, olay = death, x_sagkalim = [drug], taban = piecewise-PH-aGH. Varsayılandan farkı: donusum = karekok ve sütun atamalarıdır; gelişmiş ayarlar varsayılandır.
Şablonun kendi denetimleri (hepsi mq_hata ile çalıştırmayı durdurur):
| Koşul | İleti (özet) | Satır |
|---|---|---|
| Veri açık değil | Önce Veri sekmesinde bir veri açın. | 136 |
| Denek, belirteç, zaman, olay zamanı ve olay sütunları ayrı değil | … birbirinden farklı olmalı. | 138 |
| Eksiksiz satır 20'den az | En az 20 eksiksiz satır gerekli. | 144 |
| Belirteç, zaman, olay zamanı ya da olay sayısal değil | '…' sayısal olmalı. | 145 |
| Karekök ve y<0; log ve y\le0 | … negatif olmamalı / pozitif olmalı. | 147–148 |
| Olay göstergesi 0/1 dışında | Olay göstergesi yalnız 0/1 içermeli. | 151 |
| Olay zamanı \le0 | Olay zamanı pozitif olmalı. | 152 |
| Ölçüm zamanı <0 | Ölçüm zamanı negatif olmamalı. | 153 |
| Olay zamanı ya da göstergesi denek içinde değişiyor | … denek içinde sabit olmalı. | 155 |
| 20'den az denek; 10'dan az olay | En az 20 denek gerekli; en az 10 olay gerekli. | 163–164 |
| Belirteç ya da ölçüm zamanı sabit | Belirteç sabit; Ölçüm zamanı sabit. | 165–166 |
| Satır sayısı \le denek sayısı + 3 | Denek başına tekrarlı ölçüm çok az. | 167 |
| Kovaryat sabit ya da tek düzeyli | '…' sabit (tek düzeyli); çıkarın. | 171–172 |
| Boylamsal, sağkalım ya da ortak model kurulamıyor | … kurulamadı: (paket iletisi) | 189–191, 193–194, 208–217 |
Ölçüm zamanı olay ya da sansür zamanından büyük olan satırlar sessizce değil, bir "Not:" satırıyla atılır (156–157, 246). Sağkalım kovaryatlarının değeri her deneğin ilk (en erken ölçüm) satırından alınır (161); bu değer denek içinde değişiyorsa sonda bir "Uyarı:" satırı yazılır (162, 244; 152.8). Eksik değer nedeniyle çıkarılan satır sayısı bir "Not:" satırıyla bildirilir (141–143, 243). Sütun adlarında boşluk ve nokta olabilir; adlar formül için güvenli geçici adlara çevrilir ve çıktıda özgün ad yazılır (175–180).
152.3 Örnek veri
aids.csv: JM paketinin AIDS verisi. İlerlemiş HIV enfeksiyonunda didanosin (ddI) ile zalsitabin (ddC) karşılaştıran çalışmadan 467 hasta (Goldman vd., 1996); 1405 CD4 ölçümü, eksik değer yok, 188 ölüm.
| Değişken | Rol | Tür (veri sekmesinin algıladığı) | Özet |
|---|---|---|---|
patient |
denek kimliği | sayısal | 467 hasta; hasta başına 1–5 ölçüm (61, 91, 122, 169 ve 24 hasta) |
CD4 |
belirteç | sayısal | 0–24,1; ortalama 7,02 (aşağıdaki not) |
obstime |
ölçüm zamanı | sayısal | 0, 2, 6, 12, 18 (ay) |
Time |
olay/sansür zamanı | sayısal | 0,47–21,4; ortalama 13,9 |
death |
olay | ikili | 188 ölüm (ddC kolunda 88, ddI kolunda 100); 279 sansür |
drug |
kol | ikili (metin) | ddC 237, ddI 230 hasta |
gender, prevOI, AZT |
öteki kovaryatlar | ikili (metin) | erkek 422, kadın 45; AIDS öyküsü 307; zidovudin intoleransı 292 |
Önemli not (CD4 ölçeği). Dosyadaki CD4 sütunu hücre sayısının karekökünü taşır: her değerin karesi tam sayıdır (0–582). donusum = karekok bu sütuna bir kez daha karekök uyguladığından model, sayının dördüncü kökü üzerindedir; \alpha ve boylamsal katsayılar bu ölçeğin birimindedir. Yayımlanmış örneğin (Rizopoulos, 2010) kesişimi 2,5558 de bu ölçektedir; bu nedenle örnek ayar karekök seçer.
Düzey sırası. drug iki düzeyli metin sütunudur; Veri sekmesi onu ikili sayar ve R'ye metin olarak gönderir (Bölüm 1.3); factor() düzeyleri alfabetik sıralar: ddC referans, ddI karşılaştırılan düzeydir. Çıktıda drugddI bu yüzden "ddI − ddC" etkisidir. Sıralama sütunun ilk satırından bağımsızdır (152.8).
Tohum. Şablon rastgele sayı üretmez ve set.seed kullanmaz; iki çalıştırmanın bütün tabloları birebir aynıdır (om_ornek ve om_ornek2, en büyük fark 0). Sonuç kartındaki tohum bu şablonda sonucu etkilemez (Bölüm 1.3).
Bölümde kullanılan çalıştırmalar (dogrulama/cikti/): om_ornek (örnek ayar; 35 s), om_gh (piecewise-PH-GH; 140 s), om_gh21 (gh_nokta = 21; 300 s), om_weibull, om_spline, om_slope, om_both, om_lag1, om_dugum3, om_egimsiz (rastgele eğim kapalı), om_xb (ilaç ana etkisi de boylamsal modelde), om_v_log, om_v_yok (dönüşüm), om_nlminb ve sınır durumu verileriyle om_v_*.
152.4 Yöntem: formüller ve hesap adımları
Hesap sırası: (i) veri doğrulanır, ölçüm zamanı olay zamanından büyük satırlar atılır, veri denek ve zamana göre dizilir; (ii) nlme::lme (REML) boylamsal modeli, survival::coxph sağkalım modelini başlangıç değeri olarak kurar; (iii) JM::jointModel ortak olabilirliği önce EM, sonra yarı-Newton yinelemeleriyle (ML) en büyütür; (iv) dört tablo ve artık grafiği yazılır.
152.4.1 Ortak olabilirlik
Denek i için gözlenen veri (\mathbf y_i,\,T_i,\,\delta_i), rastgele etkiler \mathbf b_i=(b_{0i},b_{1i})^{\top}\sim N(\mathbf 0,D) olsun. Rastgele etkiler verilince boylamsal ve olay süreçleri bağımsızdır; denek katkısı
Log-olabilirlik \ell=\sum_i\log p(\mathbf y_i,T_i,\delta_i)'dir ve çıktıdaki logLik budur.
- m_i(t\mid\mathbf b)=\beta_0+\beta_1t+\ldots+b_0+b_1t: denek i'nin ölçüm hatasız (gerçek) belirteç düzeyi; h_i(t\mid\mathbf b)=h_0(t)\exp\{\boldsymbol\gamma^{\top}\mathbf w_i+\alpha\,m_i(t\mid\mathbf b)\}.
- D: rastgele etkilerin kovaryans matrisi (çıktıda standart sapmalar ve korelasyon); \sigma: artık standart sapma.
- \exp\{-\int_0^{T_i}h_i\}: T_i'ye kadar olay yaşamama olasılığı; \delta_i=1 ise ek çarpan h_i(T_i).
Neden rastgele etkiler paylaşılır?
Belirteç yörüngesi m_i(t) denek başına tek bir rastgele (b_{0i},b_{1i}) çiftiyle belirlenir; olay tehlikesi aynı m_i(t)'yi kullanır. Böylece belirtecin ölçüm hatası (\varepsilon_{ij}) tehlikeye girmez; tehlikeye giren yalnız ölçüm hatasından arınmış yörüngedir. Aynı rastgele etkiler olayın zamanını da modele bağladığından, olaya bağlı çekilmeyi kısmen hesaba katar (olay riski yüksek denekler daha erken kaybolur).
152.4.2 Rastgele etkiler üzerinde tümlev: Gauss–Hermite ve uyarlamalı kareleme
Tümlev kapalı biçimde alınamaz. Rastgele etkilerin boyutu q=2 ise k düğümlü Gauss–Hermite karelemesi k^{q} noktada hesaplanır. e^{-z^2} ağırlığına göre düğümler \mathbf z_r ve ağırlıklar w_r olmak üzere, \mathbf b=\mathbf c+\sqrt2\,L\,\mathbf z değişken değişimiyle
Sabit Gauss–Hermite düğümleri bütün deneklerde aynı merkez \mathbf c=\mathbf 0 ve aynı ölçekle (L rastgele etkilerin kovaryansından) kurulur; f sivri ya da kaymışsa (deneğin sonsalı sıfırdan uzaktaysa) çok az düğüm onun yoğun olduğu bölgeye düşer. Uyarlamalı (adaptive) kareleme düğümleri her denek için sonsal kipe \mathbf c=\hat{\mathbf b}_i ve eğriliğe taşır (Liu ve Pierce, 1994; Pinheiro ve Bates, 1995):
Bu yüzden varsayılan (aGH) yalnız beş düğümle (5^2=25 nokta) doğruluğa ulaşır; sabit 15 noktalı Gauss–Hermite (15^2=225 nokta) aynı veride belirgin farklı sonuç verir: logLik -2107{,}647 ve -2101{,}983; kesişim 2{,}556 ve 2{,}515; \alpha -1{,}1016 ve -1{,}0906 (152.7). Daha çok düğüm yalnız süreyi uzatır (21 düğümde 300 s; kareleme noktası 5 iken 35 s). Sabit 15 noktalı seçenek yayımlanmış sonuçları yeniden üretmek için vardır (Rizopoulos, 2010).
Koddaki tercih: kareleme noktası
kont$GHk (195): gh_nokta > 0 ise o sayı; değilse adı "aGH" içeren yöntemde 5, öteki yöntemde 15. Sabit seçenek weibull-PH-GH olarak sunulmaz; uyarlamalı Weibull ve B-spline yöntemleri vardır. Birikimli tehlike tümlevi \int_0^{T_i}h_i(s)\,ds ise her denek için JM'nin içinde 7 noktalı Gauss–Kronrod kuralıyla alınır; örnek ayarda parçalı sabit tabanda bu tümlev \exp\{\alpha\,m_i(s)\}'in doğrusal üstel olması nedeniyle kapalı biçimde de verilir (154.6).
152.4.3 Taban tehlike
- Parçalı sabit (
piecewise-PH-*): h_0(t)=\xi_q için t\in(v_{q-1},v_q]; v_0=0 ve son aralık sınırsızdır. İç düğümler v_1<\dots<v_m, tüm denekler için olay ya da sansür zamanlarının (1,\dots,m)/(m+1) yüzdeliklerindedir (örnekte m=6 iç düğüm, 7 aralık; \xi_1,\dots,\xi_7; çıktıda \log\xi_q).dugum_sayisi = kverilirse m=k olur (örnekte k=3: düğümler 10,23; 13,2; 16,23). - Weibull (
weibull-PH-aGH): h_0(t)=\sigma_t\,e^{\xi_0}\,t^{\sigma_t-1}; çıktıda(Intercept)(\xi_0) velog(shape)(\log\sigma_t). - B-spline (
spline-PH-aGH): \log h_0(t)=\sum_{k}\gamma_k B_k(t); çıktıdabs1, bs2, ….
152.4.4 Kestirim ve standart hata
Önce EM yinelemeleri (varsayılan en çok 50), sonra yarı-Newton (optim BFGS ya da nlminb; varsayılan en çok 150). Standart hatalar, ortak log-olabilirliğin sayısal Hessian'ından alınır ve p değerleri z=\hat\theta/\mathrm{SH} üzerinden normal dağılımdandır (Wald). AIC =-2\ell+2k, BIC =-2\ell+k\log n; k kestirilen parametre sayısı, n denek sayısıdır (örnekte k=16: üç boylamsal sabit etki, \sigma, üç D öğesi, \gamma, \alpha, yedi \xi_q; n=467).
152.4.5 İlişki yapısı ve gecikme
parametrelestirme hangi özelliğin riski belirlediğini seçer:
Eğim ve ikisi birden seçilirse şablon türev formülünü (derivForm) boylamsal modelin zaman terimlerinden kurar (202–207): sabit kısım 1+ zamanla etkileşen değişkenler, rastgele kısım kesişim ve (varsa) rastgele eğim. Çıktıda Assoct değer, Assoct.s eğim katsayısıdır. gecikme = L seçilirse tehlike m_i(t-L) üzerinden tanımlanır (t<L için m_i(0); bağımsız hesapla doğrulandı) ve terim Assoct(lag=L) adını alır; L=0 iken lag çağrıya hiç eklenmez (201).
152.4.6 Dönüşümler ve çıktılar
Belirteç karekok ya da log ile dönüştürülür (146–148); \alpha dönüştürülmüş ölçeğin bir birimine karşılık gelir, \exp(\alpha) bu birimlik farkın tehlike oranıdır (çıktıda HR; \xi, shape, bs ve kesişim satırlarında NA). Rastgele etkiler tablosunda D'nin köşegeninin karekökü ve (rastgele eğim açıksa) korelasyon, son satırda artık standart sapma bulunur. Artık grafiği, denek düzeyindeki kestirilen değere karşı boylamsal artıkları çizer.
152.5 Kod adım adım
| Satırlar | Ne yapar | Neden / dikkat |
|---|---|---|
| 133–134 | Çeviri yardımcısı, paketler (nlme, survival, JM) |
|
| 136–138 | Veri ve rol denetimi | Beş rol ayrı sütun olmalı. |
| 139–149 | Değişken seçimi, eksiksiz satırlar (141–143), tür ve dönüşüm denetimi, çalışma sütunları .y .t .T .d .id |
Eksik değer satır düzeyinde çıkarılır; sayısı yazılır (243). |
| 150–155 | Olay göstergesi 0/1, zaman işaretleri, olay zamanı ve göstergesinin denek içinde sabitliği | Sağkalım kovaryatlarının sabitliği burada değil, 162. satırda denetlenir. |
| 156–162 | Ölçüm zamanı > olay zamanı satırlarının atılması; sıralama; ilk (denek başına ilk satır); sağkalım kovaryatlarının denek içi değişimi (degisen_sv) |
ilk, sağkalım modelinin verisidir; değişim varsa sonda uyarı (244). |
| 163–173 | Denek, olay, belirteç, zaman, tekrar sayısı ve kovaryat sabitlik denetimleri; metin ve mantıksal kovaryatların etmene çevrilmesi | İki düzeyli metin: alfabetik referans. |
| 174–180 | Sütun adlarının güvenli geçici adlara (mqx_1_, …) çevrilmesi (ozg, guv) ve çıktıda geri çevrilmesi (geri) |
Boşluk ve .t içeren adlar formülü bozmaz. |
| 181–184 | Formüller (.y ~ .t + x + .t:z; ~ .t | .id ya da ~ 1 | .id) |
Sütun adları ters tırnakla korunur. |
| 185–191 | Uyarı toplayıcı (yakala); boylamsal model: lme (REML, maxIter = msMaxIter = 200) |
Uyarılar sonda yazılır (248). |
| 192–194 | Sağkalım modeli: coxph(Surv(.T, .d) ~ w) |
x = TRUE; JM için gerekli. |
| 195–199 | Kontrol listesi: GHk, düğüm sayısı, optimizasyon, EM ve yarı-Newton yinelemeleri |
Sıfır, paket varsayılanıdır. |
| 200–207 | jointModel çağrısı; gecikme; ilişki yapısı ve derivForm |
Eğimde türev için rastgele eğim indeksi 2. |
| 208–217 | jointModel (hata sargısıyla); nlminb düşerse optim ile yeniden deneme |
Hata iletisi başına "Ortak model kurulamadı:" gelir; yeniden denemede "Not:" satırı yazılır (242). |
| 218–237 | Dört tablo: boylamsal sabit etkiler, sağkalım, rastgele etkiler, model uyumu | ad_g özgün sütun adlarını geri koyar ve yalnız .t terimini ölçüm zamanı adıyla değiştirir (219–222). |
| 238–248 | Yöntem satırı ("yakınsama: sağlandı/sağlanamadı (kod: …)"), düğümler, nlminb notu, eksik satır notu, sağkalım kovaryatı uyarısı, atılan satır notu, yakınsama uyarısı, uyarılar |
Yakınsama kodu 0 değilse uyarı. |
| 250–256 | Artık grafiği | Yalnız fitted(jm) uzunluğu veriyle uyuşursa. |
Kritik kod:
kont <- list(GHk = if (P[["gh_nokta"]] > 0) as.integer(P[["gh_nokta"]]) else if (grepl("aGH", P[["taban"]])) 5 else 15) # 195
jm_arg <- list(m_lme, m_cox, timeVar = ".t", method = P[["taban"]], control = kont) # 200
jm <- yakala(do.call(jointModel, jm_arg), .m("Ortak model kurulamadı:", ...)) # 208
(Alıntıda P$ad yerine eşdeğer P[["ad"]] yazılmıştır.)
152.6 Elle hesap: örnek veride bağımsız yeniden hesap
Bağımsız Python (dogrulama/ortak_model/elle_hesap.py) JM'yi, nlme'yi ve şablon kodunu çağırmaz. Şablonun bildirdiği 16 kestirimde (boylamsal sabit etkiler, \gamma, \alpha, \log\xi_1,\dots,\log\xi_7, D'nin sd ve korelasyonu, \sigma) ortak log-olabilirliği 152.4.1'deki formülle yeniden hesaplar: boylamsal yoğunluğu doğrudan, birikimli tehlikeyi kapalı biçimde ve rastgele etkiler üzerindeki tümlevi uyarlamalı Gauss–Hermite ile (denek başına kip scipy.optimize.minimize, eğrilik merkezî farkla). Bağımsız R (r_olabilirlik.R) aynı olabilirliği taban R ile, Gauss–Hermite düğümlerini Golub–Welsch özdeğer yöntemiyle kurarak hesaplar; ayrıca r_dogrulama.R aynı modeli lme, coxph ve jointModel ile ham sütunlardan doğrudan kurar (şablon sargısı olmadan).
Adım 1 — Veri ve düğümler. Ölçüm zamanı olay zamanından büyük satır yoktur: 467 denek, 1405 ölçüm, 188 olay. Parçalı taban için iç düğümler 467 deneğin olay ya da sansür zamanlarının 1/7,\dots,6/7 yüzdelikleridir: 6{,}227143;\ 11{,}078571;\ 12{,}53;\ 13{,}93;\ 15{,}97;\ 17{,}8. Şablonun yazdığı düğümlerle (6,22714; 11,0786; 12,53; 13,93; 15,97; 17,8) aynıdır. dugum_sayisi = 3 için 1/4{,}2/4{,}3/4 yüzdelikleri 10{,}23;\ 13{,}2;\ 16{,}23.
Adım 2 — Parametre sayısı ve bilgi ölçütleri. k=3+1+3+1+1+7=16 parametre ve n=467 denek ile \mathrm{AIC}=-2\ell+2k=4203{,}9655+32=4235{,}9655 ve \mathrm{BIC}=4203{,}9655+16\log467=4302{,}3067: şablonun yazdığı değerlerle aynıdır (4235,965465 ve 4302,306733).
Adım 3 — Bir denek için tehlike (rastgele etkiler sıfır). Hasta 1 (ddC, 16,97 ayda sansürlü; CD4 ölçümleri 0, 6 ve 12. ayda). Rastgele etkiler sıfırken (tipik hasta) m(s)=2{,}514512-0{,}042324\,s ve \alpha=-1{,}090618; birikimli tehlike H(T)=\sum_q\xi_q\int_{I_q\cap[0,T]}\exp\{\alpha\,m(s)\}\,ds yedi aralıktan altısı T=16{,}97'ye kadar işler:
| Aralık | v_{q-1} | \min(v_q,T) | \xi_q | \xi_q\int\exp\{\alpha m(s)\}ds |
|---|---|---|---|---|
| 1 | 0 | 6,2271 | 0,188032 | 0,087385 |
| 2 | 6,2271 | 11,0786 | 0,257788 | 0,120366 |
| 3 | 11,0786 | 12,53 | 0,353429 | 0,056992 |
| 4 | 12,53 | 13,93 | 0,202673 | 0,033668 |
| 5 | 13,93 | 15,97 | 0,226083 | 0,059259 |
| 6 | 15,97 | 16,97 | 0,234439 | 0,032303 |
Toplam H(16{,}97)=0{,}389973; \delta=0 olduğundan bu denek yalnız -H(T) ile (ve belirteç yoğunluğuyla) katkı verir. Gerçek hesapta bu tümlev, rastgele etkilerin her değeri için yinelenir; \alpha\,s\ne0 olduğundan integral \bigl(e^{\alpha(c+sb)}-e^{\alpha(c+sa)}\bigr)/(\alpha s) biçiminde kapalıdır.
Adım 4 — Ortak log-olabilirlik. Şablonun kestirimlerinde bağımsız Python uyarlamalı Gauss–Hermite ile \ell=-2101{,}982540 (k=5) ve \ell=-2101{,}982770 (k=21) bulur; şablonun (JM'nin) değeri -2101{,}982732. Fark 1{,}9\times10^{-4} ve 3{,}7\times10^{-5}'tir: kareleme noktası arttıkça ve birikimli tehlike tümlevi kapalı hesaplanınca fark küçülür; JM, aynı tümlevi 7 noktalı Gauss–Kronrod ile, rastgele etkiler üzerindeki tümlevi beş düğümlü uyarlamalı kareleme ile alır. Bağımsız R aynı sayıları verir: -2101{,}982540 ve -2101{,}982770 (Python ile fark 10^{-7} içinde). gh_nokta = 21 çalıştırmasının kestirimlerinde 21 düğümlü bağımsız hesap -2101{,}982771, şablon -2101{,}982767 bulur (fark 3{,}8\times10^{-6}). Değer ve eğim birlikte (-2101{,}883384 ve JM -2101{,}883503), 3 iç düğümlü taban (-2102{,}277897 ve -2102{,}278064) de 2\times10^{-4} içinde eşleşir; yalnız eğim ilişkisinde (kod 1, yakınsamamış) fark 3\times10^{-3} ve gecikmede (aşağıda) 4\times10^{-3}'tür.
Adım 5 — Doğrudan JM çağrısı. Aynı model lme(sqrt(CD4) ~ obstime + obstime:drug, random = ~ obstime | patient), coxph(Surv(Time, death) ~ drug) ve jointModel(..., method = "piecewise-PH-aGH", control = list(GHk = 5)) ile ham sütunlardan kurulur. Boylamsal ve sağkalım kestirimleri ile standart hataları, rastgele etkiler, logLik, AIC ve BIC şablonun tablolarıyla birebir aynıdır (en büyük mutlak fark 0); aynı karşılaştırma dokuz seçenek için de yapılmıştır (rastgele eğim kapalı, ilaç ana etkisi, yalnız eğim, değer ve eğim, gecikme, 3 iç düğüm, Weibull, B-spline, sabit 15 noktalı Gauss–Hermite) ve hepsinde fark sıfırdır; nlminb seçeneği doğrudan çağrıda da aynı hatayı verir. Şablon sargısı bu nedenle JM'in sonucunu değiştirmez; denetlenmesi gereken kısım JM'in kendi olabilirliğidir (Adım 4).
Adım 6 — Yayımlanmış değerler. Rizopoulos (2010) §4, AIDS örneği, piecewise-PH-GH: \ell=-2107{,}647; kesişim 2{,}5558, zaman -0{,}0423, ilaç × zaman 0{,}0051, \gamma=0{,}3510, \alpha=-1{,}1019, \mathrm{sd}(b_0)=0{,}8660, \mathrm{sd}(b_1)=0{,}0388, korelasyon 0{,}0681, \sigma=0{,}3754, \log\xi_1,\dots,\log\xi_7=-1{,}6483;\,-1{,}3388;\,-1{,}0226;\,-1{,}5795;\,-1{,}4716;\,-1{,}4375;\,-1{,}4767. om_gh çalıştırması: \ell=-2107{,}647415; kesişim 2{,}555827; \alpha=-1{,}101613; \gamma=0{,}351132; \mathrm{sd}(b_0)=0{,}865996; \sigma=0{,}375372; \log\xi_1=-1{,}648917. Paket sürümü farkı (JM 1.5-2) bildirilen dördüncü ondalıkta 10^{-3} düzeyinde fark bırakır (ör. \alpha: -1{,}1016 ve -1{,}1019).
152.6.1 Doğrulama: MerQuR+, Python ve R
| Büyüklük | MerQuR+ | Python (bağımsız) | R (bağımsız) | En büyük fark | |
|---|---|---|---|---|---|
| [örnek] boylamsal (Intercept): kestirim | 2,51451165 | — | 2,51451165 | 0 | ✓ |
| [örnek] boylamsal (Intercept): SH | 0,04252306 | — | 0,04252306 | 0 | ✓ |
| [örnek] boylamsal obstime: kestirim | −0,04232359 | — | −0,04232359 | 0 | ✓ |
| [örnek] boylamsal obstime: SH | 0,00454693 | — | 0,00454693 | 8,1e−17 | ✓ |
| [örnek] boylamsal obstime:drugddI: kestirim | 0,00515858 | — | 0,00515858 | 0 | ✓ |
| [örnek] boylamsal obstime:drugddI: SH | 0,00637484 | — | 0,00637484 | 9,5e−18 | ✓ |
| [örnek] sağkalım drugddI: kestirim | 0,34840328 | — | 0,34840328 | 0 | ✓ |
| [örnek] sağkalım drugddI: SH | 0,15332798 | — | 0,15332798 | 0 | ✓ |
| [örnek] sağkalım Assoct: kestirim | −1,09061825 | — | −1,09061825 | 0 | ✓ |
| [örnek] sağkalım Assoct: SH | 0,11634989 | — | 0,11634989 | 0 | ✓ |
| [örnek] sağkalım log(xi.1): kestirim | −1,67114048 | — | −1,67114048 | 0 | ✓ |
| [örnek] sağkalım log(xi.1): SH | 0,24772122 | — | 0,24772122 | 0 | ✓ |
| [örnek] sağkalım log(xi.2): kestirim | −1,35561592 | — | −1,35561592 | 0 | ✓ |
| [örnek] sağkalım log(xi.2): SH | 0,23807035 | — | 0,23807035 | 0 | ✓ |
| [örnek] sağkalım log(xi.3): kestirim | −1,04007144 | — | −1,04007144 | 0 | ✓ |
| [örnek] sağkalım log(xi.3): SH | 0,28484583 | — | 0,28484583 | 0 | ✓ |
| [örnek] sağkalım log(xi.4): kestirim | −1,5961631 | — | −1,5961631 | 0 | ✓ |
| [örnek] sağkalım log(xi.4): SH | 0,37268128 | — | 0,37268128 | 0 | ✓ |
| [örnek] sağkalım log(xi.5): kestirim | −1,48685381 | — | −1,48685381 | 0 | ✓ |
| [örnek] sağkalım log(xi.5): SH | 0,34904786 | — | 0,34904786 | 0 | ✓ |
| [örnek] sağkalım log(xi.6): kestirim | −1,45056037 | — | −1,45056037 | 0 | ✓ |
| [örnek] sağkalım log(xi.6): SH | 0,42742162 | — | 0,42742162 | 0 | ✓ |
| [örnek] sağkalım log(xi.7): kestirim | −1,48473124 | — | −1,48473124 | 0 | ✓ |
| [örnek] sağkalım log(xi.7): SH | 0,54363522 | — | 0,54363522 | 0 | ✓ |
| [örnek] sd(b₀) | 0,86989313 | — | 0,86989313 | 0 | ✓ |
| [örnek] sd(b₁) | 0,03707347 | — | 0,03707347 | 0 | ✓ |
| [örnek] korelasyon | 0,08338221 | — | 0,08338221 | 0 | ✓ |
| [örnek] σ | 0,36732679 | — | 0,36732679 | 0 | ✓ |
| [örnek] logLik | −2101,98273241 | — | −2101,98273241 | 0 | ✓ |
| [örnek] AIC | 4235,96546483 | — | 4235,96546483 | 0 | ✓ |
| [örnek] BIC | 4302,30673295 | — | 4302,30673295 | 0 | ✓ |
| [örnek] AIC = −2ℓ + 2·16 | 4235,96546483 | 4235,96546483 | — | 2,4e−15 | ✓ |
| [örnek] BIC = −2ℓ + 16·log 467 | 4302,30673295 | 4302,30673295 | — | 6,3e−16 | ✓ |
| [örnek] denek, ölçüm, olay (467·10⁶ + 1405·10³ + 188) | 4,684052·108 | 4,684052·108 | — | 0 | ✓ |
| [örnek] iç düğüm 1 (yüzdelik 1/7) | 6,22714 | 6,22714286 | 6,22714286 | 4,6e−7 | ✓ |
| [örnek] iç düğüm 2 (yüzdelik 2/7) | 11,0786 | 11,07857143 | 11,07857143 | 2,6e−6 | ✓ |
| [örnek] iç düğüm 3 (yüzdelik 3/7) | 12,53 | 12,53 | 12,53 | 0 | ✓ |
| [örnek] iç düğüm 4 (yüzdelik 4/7) | 13,93 | 13,93 | 13,93 | 0 | ✓ |
| [örnek] iç düğüm 5 (yüzdelik 5/7) | 15,97 | 15,97 | 15,97 | 0 | ✓ |
| [örnek] iç düğüm 6 (yüzdelik 6/7) | 17,8 | 17,8 | 17,8 | 0 | ✓ |
| [3 düğüm] iç düğüm 1 (yüzdelik 1/4) | 10,23 | 10,23 | — | 0 | ✓ |
| [3 düğüm] iç düğüm 2 (yüzdelik 2/4) | 13,2 | 13,2 | — | 0 | ✓ |
| [3 düğüm] iç düğüm 3 (yüzdelik 3/4) | 16,23 | 16,23 | — | 0 | ✓ |
| [örnek] ortak logLik, bağımsız aGH 5 düğüm | −2101,98273241 | −2101,9825397 | −2101,98253968 | 9,2e−8 | ✓ |
| [örnek] ortak logLik, bağımsız aGH 21 düğüm | −2101,98273241 | −2101,9827699 | −2101,9827699 | 1,8e−8 | ✓ |
| [gh_nokta = 21] logLik, bağımsız aGH 21 düğüm | −2101,98276748 | −2101,98277083 | — | 1,6e−9 | ✓ |
| [değer ve eğim] logLik, bağımsız aGH 5 düğüm | −2101,88350252 | −2101,88338367 | — | 5,7e−8 | ✓ |
| [yalnız eğim] logLik, bağımsız aGH 5 düğüm | −2136,18836831 | −2136,18527788 | — | 1,4e−6 | ✓ |
| [gecikme 1] logLik, bağımsız aGH 5 düğüm | −2102,39096404 | −2102,38700315 | — | 1,9e−6 | ✓ |
| [3 iç düğüm] logLik, bağımsız aGH 5 düğüm | −2102,27806438 | −2102,27789697 | — | 8,0e−8 | ✓ |
| [rastgele eğim kapalı] zaman eğimi β₁ | −0,03616028 | — | −0,03616028 | 0 | ✓ |
| [rastgele eğim kapalı] drugddI: kestirim | 0,34584573 | — | 0,34584573 | 0 | ✓ |
| [rastgele eğim kapalı] Assoct: kestirim | −1,08655499 | — | −1,08655499 | 0 | ✓ |
| [rastgele eğim kapalı] sd(b₀) | 0,87934447 | — | 0,87934447 | 0 | ✓ |
| [rastgele eğim kapalı] σ | 0,40935765 | — | 0,40935765 | 0 | ✓ |
| [rastgele eğim kapalı] logLik | −2123,17478461 | — | −2123,17478461 | 0 | ✓ |
| [ilaç ana etkisi] zaman eğimi β₁ | −0,04200491 | — | −0,04200491 | 0 | ✓ |
| [ilaç ana etkisi] drugddI: kestirim | 0,34917602 | — | 0,34917602 | 0 | ✓ |
| [ilaç ana etkisi] Assoct: kestirim | −1,09138082 | — | −1,09138082 | 0 | ✓ |
| [ilaç ana etkisi] sd(b₀) | 0,86895667 | — | 0,86895667 | 0 | ✓ |
| [ilaç ana etkisi] sd(b₁) | 0,03705793 | — | 0,03705793 | 0 | ✓ |
| [ilaç ana etkisi] korelasyon | 0,08401496 | — | 0,08401496 | 0 | ✓ |
| [ilaç ana etkisi] σ | 0,36737362 | — | 0,36737362 | 0 | ✓ |
| [ilaç ana etkisi] logLik | −2101,56392548 | — | −2101,56392548 | 0 | ✓ |
| [eğim] zaman eğimi β₁ | −0,04704079 | — | −0,04704079 | 0 | ✓ |
| [eğim] drugddI: kestirim | 0,32507552 | — | 0,32507552 | 0 | ✓ |
| [eğim] Assoct.s: kestirim | −21,68060196 | — | −21,68060196 | 0 | ✓ |
| [eğim] sd(b₀) | 0,82649231 | — | 0,82649231 | 0 | ✓ |
| [eğim] sd(b₁) | 0,03685624 | — | 0,03685624 | 0 | ✓ |
| [eğim] korelasyon | 0,50640909 | — | 0,50640909 | 0 | ✓ |
| [eğim] σ | 0,3821544 | — | 0,3821544 | 0 | ✓ |
| [eğim] logLik | −2136,18836831 | — | −2136,18836831 | 0 | ✓ |
| [değer ve eğim] zaman eğimi β₁ | −0,04253751 | — | −0,04253751 | 0 | ✓ |
| [değer ve eğim] drugddI: kestirim | 0,35010341 | — | 0,35010341 | 0 | ✓ |
| [değer ve eğim] Assoct: kestirim | −1,08988295 | — | −1,08988295 | 0 | ✓ |
| [değer ve eğim] Assoct.s: kestirim | −0,6553779 | — | −0,6553779 | 0 | ✓ |
| [değer ve eğim] sd(b₀) | 0,86979808 | — | 0,86979808 | 0 | ✓ |
| [değer ve eğim] sd(b₁) | 0,0370882 | — | 0,0370882 | 0 | ✓ |
| [değer ve eğim] korelasyon | 0,08730658 | — | 0,08730658 | 0 | ✓ |
| [değer ve eğim] σ | 0,36742958 | — | 0,36742958 | 0 | ✓ |
| [değer ve eğim] logLik | −2101,88350252 | — | −2101,88350252 | 0 | ✓ |
| [gecikme 1] zaman eğimi β₁ | −0,04188305 | — | −0,04188305 | 0 | ✓ |
| [gecikme 1] drugddI: kestirim | 0,34378043 | — | 0,34378043 | 0 | ✓ |
| [gecikme 1] Assoct(lag=1): kestirim | −1,08938962 | — | −1,08938962 | 0 | ✓ |
| [gecikme 1] sd(b₀) | 0,87011707 | — | 0,87011707 | 0 | ✓ |
| [gecikme 1] sd(b₁) | 0,0369762 | — | 0,0369762 | 0 | ✓ |
| [gecikme 1] korelasyon | 0,07534576 | — | 0,07534576 | 0 | ✓ |
| [gecikme 1] σ | 0,36725356 | — | 0,36725356 | 0 | ✓ |
| [gecikme 1] logLik | −2102,39096404 | — | −2102,39096404 | 0 | ✓ |
| [3 düğüm] zaman eğimi β₁ | −0,04243861 | — | −0,04243861 | 0 | ✓ |
| [3 düğüm] drugddI: kestirim | 0,34419619 | — | 0,34419619 | 0 | ✓ |
| [3 düğüm] Assoct: kestirim | −1,09193906 | — | −1,09193906 | 0 | ✓ |
| [3 düğüm] sd(b₀) | 0,86934901 | — | 0,86934901 | 0 | ✓ |
| [3 düğüm] sd(b₁) | 0,03716543 | — | 0,03716543 | 0 | ✓ |
| [3 düğüm] korelasyon | 0,08624539 | — | 0,08624539 | 0 | ✓ |
| [3 düğüm] σ | 0,36735001 | — | 0,36735001 | 0 | ✓ |
| [3 düğüm] logLik | −2102,27806438 | — | −2102,27806438 | 0 | ✓ |
| [Weibull] zaman eğimi β₁ | −0,04166011 | — | −0,04166011 | 0 | ✓ |
| [Weibull] drugddI: kestirim | 0,35554467 | — | 0,35554467 | 0 | ✓ |
| [Weibull] Assoct: kestirim | −1,07415355 | — | −1,07415355 | 0 | ✓ |
| [Weibull] sd(b₀) | 0,87126562 | — | 0,87126562 | 0 | ✓ |
| [Weibull] sd(b₁) | 0,03679619 | — | 0,03679619 | 0 | ✓ |
| [Weibull] korelasyon | 0,0753912 | — | 0,0753912 | 0 | ✓ |
| [Weibull] σ | 0,36751233 | — | 0,36751233 | 0 | ✓ |
| [Weibull] logLik | −2100,82841263 | — | −2100,82841263 | 0 | ✓ |
| [B-spline] zaman eğimi β₁ | −0,04190575 | — | −0,04190575 | 0 | ✓ |
| [B-spline] drugddI: kestirim | 0,3529718 | — | 0,3529718 | 0 | ✓ |
| [B-spline] Assoct: kestirim | −1,08107429 | — | −1,08107429 | 0 | ✓ |
| [B-spline] sd(b₀) | 0,87097749 | — | 0,87097749 | 0 | ✓ |
| [B-spline] sd(b₁) | 0,03692582 | — | 0,03692582 | 0 | ✓ |
| [B-spline] korelasyon | 0,0760901 | — | 0,0760901 | 0 | ✓ |
| [B-spline] σ | 0,36730628 | — | 0,36730628 | 0 | ✓ |
| [B-spline] logLik | −2095,48223939 | — | −2095,48223939 | 0 | ✓ |
| [sabit GH 15] zaman eğimi β₁ | −0,04229924 | — | −0,04229924 | 0 | ✓ |
| [sabit GH 15] drugddI: kestirim | 0,35113228 | — | 0,35113228 | 0 | ✓ |
| [sabit GH 15] Assoct: kestirim | −1,10161291 | — | −1,10161291 | 0 | ✓ |
| [sabit GH 15] sd(b₀) | 0,86599606 | — | 0,86599606 | 0 | ✓ |
| [sabit GH 15] sd(b₁) | 0,03880942 | — | 0,03880942 | 0 | ✓ |
| [sabit GH 15] korelasyon | 0,06803912 | — | 0,06803912 | 0 | ✓ |
| [sabit GH 15] σ | 0,37537231 | — | 0,37537231 | 0 | ✓ |
| [sabit GH 15] logLik | −2107,64741472 | — | −2107,64741472 | 0 | ✓ |
| Yayımlanmış (JSS 2010, §4): loglik | −2107,64741472 | −2107,647 | — | 2,0e−7 | ✓ |
| Yayımlanmış (JSS 2010, §4): b0 | 2,55582743 | 2,5558 | — | 1,1e−5 | ✓ |
| Yayımlanmış (JSS 2010, §4): b_t | −0,04229924 | −0,0423 | — | 7,6e−7 | ✓ |
| Yayımlanmış (JSS 2010, §4): b_tddI | 0,00511735 | 0,0051 | — | 1,7e−5 | ✓ |
| Yayımlanmış (JSS 2010, §4): g_ddI | 0,35113228 | 0,351 | — | 1,3e−4 | ✓ |
| Yayımlanmış (JSS 2010, §4): alfa | −1,10161291 | −1,1019 | — | 2,6e−4 | ✓ |
| Yayımlanmış (JSS 2010, §4): sd_b0 | 0,86599606 | 0,866 | — | 3,9e−6 | ✓ |
| Yayımlanmış (JSS 2010, §4): sd_b1 | 0,03880942 | 0,0388 | — | 9,4e−6 | ✓ |
| Yayımlanmış (JSS 2010, §4): kor | 0,06803912 | 0,0681 | — | 6,1e−5 | ✓ |
| Yayımlanmış (JSS 2010, §4): sigma | 0,37537231 | 0,3754 | — | 2,8e−5 | ✓ |
| Yayımlanmış (JSS 2010, §4): logxi1 | −1,64891704 | −1,6483 | — | 3,7e−4 | ✓ |
| Yayımlanmış (JSS 2010, §4): logxi2 | −1,33933288 | −1,3388 | — | 4,0e−4 | ✓ |
| Yayımlanmış (JSS 2010, §4): logxi3 | −1,02313785 | −1,0226 | — | 5,3e−4 | ✓ |
| Yayımlanmış (JSS 2010, §4): logxi4 | −1,58022586 | −1,5795 | — | 4,6e−4 | ✓ |
| Yayımlanmış (JSS 2010, §4): logxi5 | −1,47223211 | −1,4716 | — | 4,3e−4 | ✓ |
| Yayımlanmış (JSS 2010, §4): logxi6 | −1,43834812 | −1,4375 | — | 5,9e−4 | ✓ |
| Yayımlanmış (JSS 2010, §4): logxi7 | −1,47804397 | −1,4767 | — | 9,1e−4 | ✓ |
Ölçütü karşılayan: 138/138. Ölçütler satır başına yazılıdır. Şablon ↔ doğrudan JM çağrısı: 10^{-5} (aynı model ve aynı veriyle, şablon sargısı olmadan; eniyileyicinin yolu aynıdır). Elle olabilirlik: bağımsız Python ve bağımsız R şablonun bildirdiği 16 kestirimde ortak log-olabilirliği 152.4.1'deki formülle hesaplar (denek başına kip ve eğrilik, uyarlamalı Gauss–Hermite; birikimli tehlike kapalı biçimde); JM aynı olabilirliği 5 düğümlü uyarlamalı kareleme ve 7 noktalı Gauss–Kronrod ile alır, bu yüzden 5 düğümde ölçüt 5\times10^{-4}, 21 düğümde 10^{-4}'tür (gerçek fark sırasıyla 1{,}9\times10^{-4} ve 3{,}7\times10^{-5}). Yalnız eğim ilişkisinde (yakınsamamış kestirim, kod 1) ve gecikmede (gecikmeden önceki dönemde m(0) kullanımı ve düğümdeki kırılma JM'de 7 noktalı Gauss–Kronrod ile alınır) ölçüt 10^{-2}'dir (gerçek fark 3\times10^{-3} ve 4\times10^{-3}). Düğümler: şablon çıktısında 6 anlamlı basamakla yazılır; ölçüt 5\times10^{-6}. Yayımlanmış değerler dört ondalıkla bildirilir (logLik üç ondalık); ölçüt, JM paket sürümü farkı nedeniyle 1{,}5\times10^{-3} (logLik 6\times10^{-4}, korelasyon 2\times10^{-4}). Python sütunu boş satırlarda yalnız R, R sütunu boş satırlarda yalnız Python karşılaştırılır.
152.7 Çıktıyı okuma
Örnek ayar (om_ornek), konsol:
Yöntem: piecewise-PH-aGH; kareleme noktası: 5; yakınsama: sağlandı (kod: 0)
Parçalı taban tehlike düğümleri: 6,22714; 11,0786; 12,53; 13,93; 15,97; 17,8
Tablo 1 (boylamsal alt model, sabit etkiler):
terim kestirim SH z p
(Intercept) 2.514512 0.042523 59.132900 0.000000e+00
obstime -0.042324 0.004547 -9.308170 1.300542e-20
obstime:drugddI 0.005159 0.006375 0.809209 4.183952e-01
Tablo 2 (sağkalım alt modeli):
terim kestirim SH z p HR
drugddI 0.348403 0.153328 2.272275 2.306993e-02 1.416804
Assoct -1.090618 0.116350 -9.373608 7.009443e-21 0.336009
log(xi.1) -1.671140 0.247721 -6.746053 1.519212e-11 NaN
log(xi.2) -1.355616 0.238070 -5.694182 1.239648e-08 NaN
log(xi.3) -1.040071 0.284846 -3.651349 2.608668e-04 NaN
log(xi.4) -1.596163 0.372681 -4.282917 1.844587e-05 NaN
log(xi.5) -1.486854 0.349048 -4.259742 2.046630e-05 NaN
log(xi.6) -1.450560 0.427422 -3.393746 6.894363e-04 NaN
log(xi.7) -1.484731 0.543635 -2.731117 6.312011e-03 NaN
Tablo 3 (rastgele etkiler) ve Tablo 4 (model uyumu):
bilesen SS korelasyon olcut deger
(Intercept) 0.869893 NaN logLik -2101.982732
obstime 0.037073 0.083382 AIC 4235.965465
Artık 0.367327 NaN BIC 4302.306733
Denek 467.000000
Ölçüm 1405.000000
Olay 188.000000
Şekil 152.1. Örnek ayar: boylamsal alt modelin artıkları ve denek düzeyinde kestirilenler. Sıfır çizgisi etrafında yapısız bir bulut beklenir. Sol altta eğik bir doğru üzerinde dizilen noktalar CD4 = 0 olan 28 ölçümdür (dönüştürülmüş değer 0 olduğundan artık = −kestirilen); belirgin eğik şeritler sayım verisinin ayrıklığındandır.

| Öğe | Ne yazar | Nasıl yorumlanır |
|---|---|---|
(Intercept), obstime |
Boylamsal sabit etkiler (dönüştürülmüş belirteç ölçeğinde) | Başlangıç düzeyi ve zaman eğimi; örnekte eğim -0{,}042/ay (CD4 zamanla düşer). |
obstime:drugddI |
İlaç × zaman | ddI'nın ddC'ye göre eğim farkı; örnekte 0{,}005 (p=0{,}418): fark yok. |
drugddI |
Sağkalım: log tehlike farkı (belirteç sabitken) | \mathrm{HR}=1{,}417: belirteç yörüngesi aynıyken ddI, ddC'den ölüm tehlikesi bakımından daha kötüdür (p=0{,}023). |
Assoct |
İlişkilendirme \alpha | \alpha=-1{,}091; \mathrm{HR}=0{,}336: gerçek belirteç düzeyindeki bir birimlik (dördüncü kök ölçeğinde) artış tehlikeyi %66 azaltır. |
log(xi.q) |
Parçalı taban tehlike | q. aralıkta taban tehlike \xi_q=e^{\cdot}; HR yoktur. |
| Rastgele etkiler | sd (kesişim), sd (eğim), korelasyon, artık sd | Denekler arası başlangıç sd 0{,}870; eğim sd 0{,}037; korelasyon 0{,}083; ölçüm hatası sd 0{,}367. |
| Model uyumu | logLik, AIC, BIC, denek, ölçüm, olay |
AIC ve BIC yalnız aynı veri ve aynı belirteç dönüşümünde model karşılaştırır. |
Rapor cümlesi: Tekrarlı ölçülen CD4 sayısının (dördüncü kök dönüşümü) gerçek yörüngesini ölüm tehlikesine bağlamak için paylaşılan rastgele etkili ortak model kuruldu (467 hasta, 1405 ölçüm, 188 ölüm; JM 1.5-2; parçalı sabit taban tehlike, beş düğümlü uyarlamalı Gauss–Hermite). Boylamsal alt modelde ortalama CD4 aylık 0{,}042 birim azaldı (p<0{,}001) ve ilaç kolları arasında eğim farkı yoktu (p=0{,}418). Gerçek CD4 düzeyindeki bir birimlik artış, ölüm tehlikesini %66 azalttı (HR = 0,34; α = −1,09; SH = 0,12; p < 0,001); belirteç sabitken ddI kolunun tehlikesi ddC'ye göre %42 yüksekti (HR = 1,42; p = 0,023). Standart hatalar sayısal Hessian'a, p değerleri Wald sınamasına dayanır.
152.8 Sık hatalar ve tuzaklar
- Kareleme noktası sonucu değiştirir. Sabit 15 noktalı Gauss–Hermite ile uyarlamalı 5 noktalı kareleme aynı veride \ell=-2107{,}647 ve -2101{,}983 verir (kesişim 2,556 ve 2,515; \alpha -1{,}1016 ve -1{,}0906). Uyarlamalı çözüm 21 noktada neredeyse aynı kalır (-2101{,}982767; kesişim 2,514; \alpha=-1{,}090577): sabit 15 noktalı çözüm bu veride yeterli değildir, uyarlamalı 5 nokta yeterlidir. Yayımlanmış değerleri yeniden üretmek dışında uyarlamalı seçenek kullanılır.
- \alpha'nın ölçeği belirteç dönüşümüne bağlıdır. Örnekte \alpha, dördüncü kök ölçeğinde bir birimdir; dönüşümsüz CD4 sayısı (\alpha=-0{,}287,
om_v_yok) ya da farklı dönüşüm farklı \alpha ve farklılogLikverir; logLik değerleri dönüşümler arasında karşılaştırılamaz (-2101{,}98 ve -4328{,}26). - Süre zaman ölçeği değişirse tahmin 10^{-3} düzeyinde oynar. Zaman 12 ile çarpıldığında (ay → yıl-ay) yöntemin değişmezliği beklenir: \ell=-2101{,}983-188\log12=-2569{,}151 tam çıkar, ama \alpha -1{,}0906 yerine -1{,}0895 olur (
om_v_ay); eniyileyici farklı bir yolda durur. Yakın sayıların farkını yorumlamayın. - Sağkalım kovaryatı denek içinde değişirse ilk satır kullanılır; uyarı yazılır.
x_sagkalimsütununun değeri her deneğin ilk (en erken ölçüm) satırından alınır (161). Sütun denek içinde değişiyorsa (162) sonda "Uyarı: sağkalım ortak değişkeni '…' denek içinde değişiyor" satırı yazılır; hesap yine ilk satırın değeriyle yapılır. ÖrnekteAZThasta 1'in ilk satırındafailure, öteki satırlarındaintoleranceise sonuçlogLik-2099{,}571 veAZTintolerance-0{,}336 çıkar (değişiklik yokken -2099{,}513 ve -0{,}340;om_v_azt,om_azt0). Zamana bağlı kovaryat için bu şablon uygun değildir (152.1). - Yalnız etkileşim girilirse ana etki yoktur.
x_zaman_etk = drugboylamsal modele yalnızobstime:drugterimini koyar; kesişim iki kolda aynıdır (randomize çalışmada makul). Kesişim farkı da isteniyorsa değişkenx_boylamsal'a ayrıca konur: örnektelogLik-2101{,}564 olur ve \alpha=-1{,}0914 (\Delta\ell=+0{,}419,om_xb). - Rastgele eğimi kapatmak \ell'yi belirgin düşürür.
rastgele_egimkapalıyken \ell=-2123{,}175 (-21{,}19 puan;om_egimsiz). Bu iki model iç içe değildir sınır koşuluna sahiptir (varyans sıfırda); olabilirlik oranı sınaması \chi^2 ile değil, karışım dağılımıyla yapılmalıdır. - Yakınsama satırı. Yöntem satırı "yakınsama: sağlandı (kod: …)" ya da "yakınsama: sağlanamadı (kod: …)" yazar. Kod EM aşamasında yakınsama sağlandığında
FALSE(ikinci aşama atlanmıştır;om_egimsiz,om_gh,om_spline), yarı-Newton aşamasında0olur; ikisi de "sağlandı" sayılır. Sıfır olmayan kod (1: yineleme sınırı) "sağlanamadı" yazar ve "Uyarı: optimizasyon yakınsama bildirmedi" satırı eklenir (om_slope: yalnız eğim ilişkisinde kod 1, \alpha_s=-21{,}7): bu satır çıktıda yer alıyorsa tabloları yorumlamayın. optimizer = nlminbörnek verideoptimile yeniden kurulur.nlminbaşaması örnek veride "NA/NaN gradient evaluation" ile düşer (doğrudanjointModelçağrısı da aynı hatayı verir;om_nlminb). Şablon bu durumda modelioptim(BFGS) ile yeniden kurar ve çıktıya "Not: 'nlminb' eniyileyicisi bu veride çözüm bulamadı" satırını yazar; sonuç varsayılanoptimçalıştırmasıyla aynıdır (kesişim 2{,}514512).- Sütun adında nokta ya da boşluk. Ad boşluk, nokta ya da
.tdizisi içerebilir (ör.drug type,drug.type): sütun adları formül için geçici adlara çevrilir (175–180), çıktıda özgün ad yazılır ve yalnız.tterimi ölçüm zamanı adıyla değiştirilir (219–222). Örnektedrug typeiçin terimobstime:drug typeddI,drug.typeiçinobstime:drug.typeddIolur; kestirimler örnek ayarla aynıdır (om_v_bosluk,om_v_nokta). - İki düzeyli metin sütununda referans düzey alfabetiktir. Kolların adı
aaa(ddI) vezzz(ddC) olarak değiştirildiğindeaaareferans olur ve işaretler değişir (om_v_ilacmetin). Sayı kodlu ilaç (2 ve 10) ise sayısal sütun olarak girer: tek bir eğim katsayısı (obstime:drug=0{,}00065/birim) vedrug\mathrm{HR}=1{,}045/birim (om_v_ilac210). 0/1 kodlu sütun etkin düzey (1) farkını verir veddC/ddIsonucuyla aynıdır (om_v_ilac01). - Süre hesabı. Uyarlamalı 5 nokta 35 s, sabit 15 nokta 140 s, uyarlamalı 21 nokta 300 s sürer; çalışma sırasında ilerleme göstergesi yoktur.
- Eksik değer satır düzeyindedir. Bir ölçüm satırında
CD4eksikse yalnız o satır çıkar, deneğin öteki ölçümleri kalır (om_v_eksik: 467 denek, logLik -2099{,}554); sağkalım kovaryatı bir deneğin ilk satırında eksikse bir sonraki satırın değeri kullanılır. Çıkarılan satır sayısı "Not: eksik değer nedeniyle … satır çıkarıldı" satırıyla bildirilir (sağkalım kovaryatının eksikliği o satırın boylamsal ölçümünü de çıkarır).
152.9 Uzman soruları
S1. Neden ortak model; zamana bağlı Cox ya da iki aşamalı yaklaşım yetmez mi?
Belirtecin ölçüm hatası ve düzensiz ölçüm zamanı, zamana bağlı Cox modelinde ilişkiyi sıfıra doğru yanlı kestirir (Prentice, 1982); olaya bağlı çekilme ise boylamsal kestirimleri bozar. İki aşamalı yaklaşımda (önce karma model, sonra tahmin edilen yörünge Cox'a) ikinci aşama birinci aşamanın belirsizliğini yok sayar ve birinci aşama olay bilgisini kullanmaz. Ortak model hem ölçüm hatasını hem olaya bağlı çekilmeyi tek olabilirlikte ele alır.
S2. Uyarlamalı 5 nokta sabit 15 noktadan neden iyidir?
Sabit düğümler sıfır merkezlidir; bir deneğin rastgele etkilerinin sonsalı sıfırdan uzak ya da dardır ve integrali kapsayan az düğüm vardır. Uyarlamalı kareleme düğümleri her deneğin kipine ve eğriliğine taşır; beş düğüm yeter. Bölümde 21 uyarlamalı düğümle \ell=-2101{,}982767 (5 düğümle -2101{,}982732): fark 3{,}5\times10^{-5} (152.6, 152.8).
S3. Kareleme sonucu hangi ölçüde güvenilir?
Bağımsız Python ve R, şablonun kestirimlerinde aynı olabilirliği 5 ve 21 düğümle hesaplar: -2101{,}982540 ve -2101{,}982770; JM'nin değeri -2101{,}982732. Beş düğümle bağımsız hesabın farkı 1{,}9\times10^{-4}, 21 düğümle 3{,}7\times10^{-5}'tir. Bu fark logLik'te önemsizdir ama 10^{-6} ölçütünü tutturmaz; ölçüt kareleme düğüm sayısına bağlı yaklaşık bir sayı için yeniden tanımlanmıştır.
S4. \alpha nasıl yorumlanır ve değer, eğim, ikisi birden ne zaman seçilir?
\exp(\alpha), gerçek belirteç düzeyindeki bir birimlik farka karşılık gelen tehlike oranıdır (belirtecin dönüştürülmüş ölçeğinde). Eğim ilişkisi tehlikenin belirtecin düzeyine değil değişim hızına bağlı olduğunu söyler; örnekte yalnız eğim modeli yakınsamaz (kod 1, \alpha_s=-21{,}7). İkisi birden seçilince Assoct -1{,}0899 (SH 0{,}118) ve Assoct.s -0{,}655 (SH 4{,}82, p=0{,}89) çıkar: eğim eklemek düzeyin etkisini değiştirmez ve eğimin kendi etkisi belirlenemez (om_both).
S5. Parçalı sabit, Weibull ve B-spline tabanlar nasıl seçilir?
Parçalı sabit taban en esnektir (7 parametre) ve tehlikenin biçimine varsayım koymaz; Weibull iki parametreyle tekdüze tehlike; B-spline düzgün bir log tehlike ister. Örnekte AIC: parçalı 4235{,}97, Weibull 4223{,}66, B-spline 4226{,}96; Weibull ve B-spline yarı-parametrik parçalı seçime göre daha az parametre kullanır ve aynı veride daha iyi AIC verir. Ama \alpha üç tabanda yakındır (-1{,}091, -1{,}074, -1{,}081): ilişkilendirme taban tehlike seçimine az duyarlıdır.
S6. Standart hata ve p neye dayanır?
Standart hatalar sayısal Hessian'dandır ve p değerleri Wald z'sinden gelir; olabilirlik oranı ya da profil olabilirlik güven aralığı verilmez. Çok küçük örnek ya da sıfıra yakın varyans bileşeninde Wald yaklaşık kalır. Karşılaştırma için iç içe modellerin \ell değerleri kullanılabilir (aynı kareleme ve aynı dönüşümde).
S7. Rastgele eğim gerekli mi?
Örnekte rastgele eğim sd'si 0{,}037 ve kesişimle korelasyonu 0{,}083'tür; yine de rastgele eğimi kapatmak \ell'yi 21{,}19 puan düşürür ve \alpha'yı -1{,}0866'ya çeker (om_egimsiz). Denek başına ölçüm sayısı azsa eğim varyansı sıfıra yakın kestirilir; bu durumda kapatmak mantıklıdır. Karşılaştırma sınır koşulundadır (152.8).
S8. Gecikme ve zaman bağımlı etki nasıl ele alınır?
gecikme L>0 iken m_i(t-L) kullanılır (Assoct(lag=1); \alpha=-1{,}0894, \ell=-2102{,}391): örnekte gecikme 1 ay \ell'yi 0{,}408 azaltır; gecikmenin yararı yoktur. Etkisi zamanla değişen bir ilişki için bu şablon yetmez.
152.10 Kaynaklar
- Goldman, A. I., Carlin, B. P., Crane, L. R., Launer, C., Korvick, J. A., Deyton, L. ve Abrams, D. I. (1996). Response of CD4 lymphocytes and clinical consequences of treatment using ddI or ddC in patients with advanced HIV infection. Journal of Acquired Immune Deficiency Syndromes and Human Retrovirology, 11(2), 161–169.
- Henderson, R., Diggle, P. ve Dobson, A. (2000). Joint modelling of longitudinal measurements and event time data. Biostatistics, 1(4), 465–480. https://doi.org/10.1093/biostatistics/1.4.465
- Laird, N. M. ve Ware, J. H. (1982). Random-effects models for longitudinal data. Biometrics, 38(4), 963–974. https://doi.org/10.2307/2529876
- Liu, Q. ve Pierce, D. A. (1994). A note on Gauss–Hermite quadrature. Biometrika, 81(3), 624–629. https://doi.org/10.1093/biomet/81.3.624
- Pinheiro, J. C. ve Bates, D. M. (1995). Approximations to the log-likelihood function in the nonlinear mixed-effects model. Journal of Computational and Graphical Statistics, 4(1), 12–35. https://doi.org/10.1080/10618600.1995.10474663
- Pinheiro, J. C. ve Bates, D. M. (2000). Mixed-effects models in S and S-PLUS. Springer. https://doi.org/10.1007/b98882
- Prentice, R. L. (1982). Covariate measurement errors and parameter estimation in a failure time regression model. Biometrika, 69(2), 331–342. https://doi.org/10.1093/biomet/69.2.331
- Rizopoulos, D. (2010). JM: An R package for the joint modelling of longitudinal and time-to-event data. Journal of Statistical Software, 35(9), 1–33. https://doi.org/10.18637/jss.v035.i09
- Rizopoulos, D. (2011). Dynamic predictions and prospective accuracy in joint models for longitudinal and time-to-event data. Biometrics, 67(3), 819–829. https://doi.org/10.1111/j.1541-0420.2010.01546.x
- Rizopoulos, D. (2012). Joint models for longitudinal and time-to-event data: With applications in R. Chapman & Hall/CRC. https://doi.org/10.1201/b12208
- Rizopoulos, D., Verbeke, G. ve Lesaffre, E. (2009). Fully exponential Laplace approximations for the joint modelling of survival and longitudinal data. Journal of the Royal Statistical Society: Series B, 71(3), 637–654. https://doi.org/10.1111/j.1467-9868.2008.00704.x
- Wulfsohn, M. S. ve Tsiatis, A. A. (1997). A joint model for survival and longitudinal data measured with error. Biometrics, 53(1), 330–339. https://doi.org/10.2307/2533118
- Rizopoulos, D. (2023). JM: Joint modeling of longitudinal and survival data (R paketi, sürüm 1.5-2). https://CRAN.R-project.org/package=JM
- Pinheiro, J., Bates, D. ve R Core Team (2025). nlme: Linear and nonlinear mixed effects models (R paketi, sürüm 3.1-168). https://CRAN.R-project.org/package=nlme
- Therneau, T. M. (2026). survival: Survival analysis (R paketi, sürüm 3.8-6). https://CRAN.R-project.org/package=survival
- R Core Team (2026). R: a language and environment for statistical computing. R Foundation for Statistical Computing.