MerQuR+Başvuru Kitabı

154. Yineleyen olay modelleri

Şablon kimliği: yineleyen_olay · Kategori: sağkalım · Dil: R · Dosya: pro/sablonlar/sagkalim/yineleyen_olay.R (satır 1–246; üstbilgi 1–84) · Örnek veri: _ornek/bladder2.csv · Paketler: survival 3.8-6

154.1 Ne işe yarar

Şablon, aynı kişide birden çok kez yinelenen olayı (mesane tümörü nüksü, enfeksiyon atağı, arıza) Cox tabanlı beş modelle çözümler: Andersen–Gill (AG), Prentice–Williams–Peterson (PWP) toplam zaman ve aralık zamanı, Wei–Lin–Weissfeld (WLW) marjinal modeli ve paylaşılan kırılganlık. Cevapladığı soru: "Yinelenen olayların hızını hangi değişkenler etkiliyor?" Örnekte (bladder2, 85 hasta, 112 nüks) tedavi (rx), başlangıç tümör sayısı (number) ve en büyük başlangıç tümörünün boyutu (size) nüks hızını nasıl etkiler?

Veri sayım süreci biçimindedir: her satır bir kişi için bir (\text{başlangıç},\,\text{bitiş}] aralığıdır ve olay gerçekleştiyse aralığın sonunda olay göstergesi 1'dir (Amorim ve Cai, 2015). Aynı kişinin ardışık aralıkları, olaylar arasında riskte geçen süreyi kapsar.

Ne zaman kullanılır? (hangisi için hangi model)

  • AG: Tüm olaylar için ortak taban tehlikeyle "olay hızı" oranı; olaylar arasında bağımlılık yalnız ortak değişkenlerden gelir; kişi kümesine göre sağlam SH. En basit ve çoğu zaman ilk tercihtir.
  • PWP: Olayın sırası önemliyse (ilk nüks ile üçüncü nüks farklı) ya da ikinci olay, birincinin gerçekleşmesinden sonra riske girer diyorsanız; olay sırasına göre tabakalanmış taban tehlike. Toplam zaman (sıfırdan itibaren) ya da aralık zamanı (önceki olaydan itibaren, "renewal" süreç) seçilir.
  • WLW: Her olay sırası için ayrı etki istiyor ve herkesi sıfırdan itibaren her olay için riskte sayan marjinal bir tanım istiyorsanız (örn. tedavi etkisi birinci, ikinci, üçüncü nükste ayrı); sıraya özgü katsayılar.
  • Paylaşılan kırılganlık: Kişiler arası gözlenmeyen risk farkı (kişiye özgü rastgele çarpan) varsa; kırılganlık dağılımı gamma ya da log-normaldir.

Ne zaman kullanılmaz?

  • Kişi başına en çok bir olay varsa (olay yineleme yoksa): temel programdaki Cox modeli ya da cezali_cox (Bölüm 143).
  • Birden çok olay türü (rekabet riski, çok durumlu): cok_durumlu_mstate (Bölüm 145) ve cok_durumlu_msm (Bölüm 144).
  • Zaman kesikliyse: kesikli_zaman_sagkalim (Bölüm 149).
  • Kümelenme kişi değil merkez düzeyindeyse ve olay tekse: karma_etkili_cox (Bölüm 148).
  • WLW'de gecikmeli giriş ya da zamana bağlı ortak değişken varsa: bu şablonda WLW her ikisini de yok sayar (154.8).

Temel programla ilişki. Temel programda yinelenen olay modeli yoktur; Cox regresyonu kişi başına tek olay içindir. Bu şablon yalnız MerQuR+'tadır.

154.2 Şablonun girdileri

Form on bir [[param]] bloğundan kurulur (yineleyen_olay.R:10–83). Türlerin ve formun ortak denetiminin anlamı Bölüm 1.2'de anlatılmıştır.

Alan (form etiketi) · ad Tür · sekme Varsayılan Geçerli değerler Kodda etkisi
Denek kimliği · id sütun · Değişkenler yok (zorunlu) herhangi sütun Küme ve gruplama (10–14, 89, 112–114).
Aralık başlangıcı · baslangic sayısal sütun · Değişkenler yok (zorunlu) sayısal .bas (15–19, 103, 105).
Aralık bitişi · bitis sayısal sütun · Değişkenler yok (zorunlu) başlangıçtan büyük .bit (20–24, 105).
Olay göstergesi · olay sayısal sütun · Değişkenler yok (zorunlu) yalnız 0 ve 1 .olay (25–29, 104, 106).
Ortak değişkenler · x sütunlar · Değişkenler yok (en az 1) herhangi sütunlar Sağ taraf (30–35, 91, 107–111, 132).
Model · model seçim · Model ag ag, pwp_tt, pwp_gt, wlw, kirilganlik Formül dalı (36–42, 139–192).
PWP/WLW için en büyük olay sırası · k_en_cok tamsayı · Model 4 1–20 K (43–50, 130, 153–157, 163, 179, 183).
Bağ düzeltmesi · baglar seçim · Model efron efron, breslow coxph(ties =) (51–57, 135).
Güven düzeyi · guven ondalık · Seçenekler 0,95 0,5–0,999 Wald GA (58–66, 204).
Kırılganlık dağılımı · kirilganlik_dagilim seçim · Model gamma gamma, gaussian frailty(distribution =) (67–74, 187).
Kırılganlık yakınsama ölçütü · kirilganlik_eps ondalık · Gelişmiş 10^{-8} 10^{-14}–0,01 frailty(eps =) (75–83, 187).

Örnek ayar (ornek_param, satır 9): id = id, baslangic = start, bitis = stop, olay = event, x = rx, number, size; öteki alanlar varsayılandır (AG).

Şablonun kendi denetimleri (hepsi mq_hata ile çalıştırmayı durdurur):

Koşul İleti (özet) Satır
Veri açık değil "Önce Veri sekmesinde bir veri açın." 88
Kimlik, başlangıç, bitiş, olay sütunlarından ikisi aynı "Kimlik, başlangıç, bitiş ve olay sütunları farklı olmalı." 90
Ortak değişken yok "En az bir ortak değişken seçin." 92
Eksiksiz 10'dan az satır "Eksiksiz en az 10 satır gerekli." 102
Başlangıç, bitiş ya da olay sayısal değil "'x' sayısal olmalı." 103
Olay 0/1 dışında "Olay göstergesi yalnız 0/1 içermeli." 104
Bitiş \le başlangıç "Her satırda bitiş başlangıçtan büyük olmalı." 105
3'ten az olay "En az 3 olay gerekli." 106
Tek düzeyli faktör / sabit sayısal ortak değişken "'x' tek düzeyli / sabit; ortak değişkenlerden çıkarın." 109–110
3'ten az denek "En az 3 denek gerekli." 114
Aynı denekte örtüşen aralıklar "Aynı denekte örtüşen aralıklar var: …" 120
WLW'de gecikmeli giriş (ilk aralık ilk olaydan sonra başlıyor) "WLW marjinal modeli gecikmeli girişi desteklemez: …" 144–147
Model kurulamadı "Model kurulamadı: …" 136

Notlar (çalıştırmayı durdurmaz): x içinde kimlik, başlangıç, bitiş ya da olay sütunu varsa çıkarılır (91); eksik değerli satırlar çıkarılır, sayıları yazılır ve çıkarılan satır olay içeriyorsa olay sırasının kalan satırlardan yeniden kurulacağı uyarılır (94–101, 129); aynı denekte aralıklar arasında boşluk varsa (riskte olmama dönemi) not yazılır (123–127); WLW'de denek içinde değişen ortak değişken ve olay sayısını aşan K için not/uyarı yazılır (148–157); coxph uyarıları sonda tek satırda yazılır (229). Aralıkların örtüşmesi çalıştırmayı durdurur (117–122). Metin ve mantıksal ortak değişkenler factor'a çevrilir (108). Kimlik as.character ile metne çevrilir ve (başlangıca göre) sıralanır (113, 115).

Tohum. Şablon rastgelelik kullanmaz; sonuç belirleyicidir (Bölüm 1.3).

154.3 Örnek veri

bladder2.csv: survival paketinin bladder2 verisi (Wei vd., 1989; Therneau ve Grambsch, 2000, 8.5): 85 mesane tümörü hastası, 178 aralık, 112 nüks. Eksik değer yok.

Değişken Rol Tür (veri sekmesi) Özet
id denek kimliği sayısal 85 hasta; hasta başına 1–4 satır (1 satır: 39, 2: 19, 3: 7, 4: 20 hasta)
rx ortak değişken (tedavi) ikili (1/2) 1: 47 hasta (72 nüks), 2: 38 hasta (40 nüks)
number ortak değişken (başlangıç tümör sayısı) sayısal 1–8
size ortak değişken (en büyük başlangıç tümörünün boyutu) sayısal 1–7
start, stop aralık sayısal 0–59 (izlem en çok 59 birim)
event olay göstergesi ikili 112 olay; hasta başına olay sayısı 0–4 (38, 18, 7, 8, 14 hasta)

112 olay yalnız 37 farklı zamanda gerçekleşir; bağlar çoktur ve Efron/Breslow farkı belirgindir (154.6). Olay sırasına göre olay sayıları 47, 29, 22, 14; satır sırasına göre 85, 46, 27, 20.

Düzey sırası. rx 1/2 sayısal ortak değişken olarak tek katsayı verir; Veri sekmesinde "kategorik" yapılırsa factor olur ve katsayı rx2 adını alır (sayısal etiketler sayısal sırayla dizilir, başvuru düzeyi 1; yo_ag_rxcat). Metin ortak değişkende (grp: buyuk, orta, kucuk) başvuru, üç düzeyli sütunda ilk görülen düzeydir; sonuç grpkucuk, grporta katsayılarıdır (yo_ag_metin, Bölüm 1.3).

Bu bölümde kullanılan çalıştırmalar: yo_ag, yo_pwp_tt, yo_pwp_gt, yo_wlw (Efron); Breslow karşılıkları yo_ag_b, yo_pwp_tt_b, yo_pwp_gt_b, yo_wlw_b; kırılganlık yo_fr_gamma, yo_fr_gauss, yo_kirilganlik_b, yo_fr_gauss_b; olay sırası üst sınırı yo_pwp_tt_k2, …_k3, …_k5, …_k20 (ve pwp_gt, wlw için); yo_ag_g90, yo_ag_rx, yo_ag_rxcat, yo_wlw_rxcat, yo_ag_metin, yo_wlw_metin; veri durumları yo_sirasiz (satır sırası karışık), yo_id_metin, yo_id_buyuk, yo_yil (zaman ay yerine yıl), yo_tek_* (hasta başına en çok bir olay), yo_gecikmeli_*, yo_gec2_* (gecikmeli giriş), yo_zb_* (zamana bağlı ortak değişken); sınır durumları yo_sifir, yo_kod12, yo_eksik, yo_ortusen, yo_bosluk, yo_az_denek, yo_az_olay. Ek veriler veri_uret.py ile türetilmiştir (tohum 11).

154.4 Yöntem: formüller ve hesap adımları

Hesap sırası: (i) veri doğrulanır, sütunlar .id, .bas, .bit, .olay olarak yeniden adlandırılır, satırlar kimlik ve başlangıca göre sıralanır; (ii) her aralığın olay sırası hesaplanır; (iii) modele göre veri ve formül kurulur; (iv) coxph ile uydurulur ve print(m) yazılır; (v) veri özeti ve katsayı tablosu; (vi) ortalama birikimli fonksiyon (MCF) şekli.

154.4.1 Sayım süreci ve olay sırası

Kişi i'nin aralıkları (s_{ij},t_{ij}], olay göstergesi \delta_{ij} olsun. Her aralığın olay sırası, o aralıktan önceki olay sayısı artı bir'dir (129):

k_{ij}=1+\sum_{j'<j}\delta_{ij'}.

Örnekte 178 satırın olay sırası 85 (ilk), 46, 27, 20'dir. Risk kümesi t anında \{(i,j):s_{ij}<t\le t_{ij}\}'dir; aralıklar kişinin riskte olmadığı dönemleri dışarıda bırakabilir (boşluk) ama örtüşmemelidir.

154.4.2 Andersen–Gill (AG)

Yoğunluk \lambda_i(t)=Y_i(t)\,\lambda_0(t)\exp(x_i(t)'\beta), ortak taban tehlike \lambda_0; kısmi olabilirlik sayım süreci Cox modelininkidir (Andersen ve Gill, 1982):

\ell(\beta)=\sum_{(i,j):\,\delta_{ij}=1}\Bigl[x_{ij}'\beta-\log\sum_{(i',j')\in R(t_{ij})}e^{x_{i'j'}'\beta}\Bigr].

Olaylar koşullu bağımsız artışlar varsayıldığından model tabanlı SH, yinelenmenin yarattığı bağımlılığı hesaba katmaz; bu nedenle şablon kişi kümesine göre sağlam (sandviç) SH de verir (Lin ve Wei, 1989; cluster(.id), 152):

\widehat V=I^{-1}\Bigl(\sum_{c}s_cs_c'\Bigr)I^{-1}.
  • I=-\nabla^2\ell(\hat\beta): gözlenen bilgi; I^{-1}'in köşegeninin karekökü tabloda SH_model.
  • s_c=\sum_{k\in c}\partial U/\partial\omega_k: kümedeki (kişideki) satırların skor artıkları toplamı (\omega_k satır ağırlığı); köşegeninin karekökü SH_saglam (z, p ve güven aralığı bununla hesaplanır).
  • \exp(\beta_j): ortak değişkenin bir birim artışının olay hızı oranı (tüm olaylar için ortak).

Neden sağlam SH?

Aynı kişideki olaylar ilişkilidir (kişi içi değişkenlik); model tabanlı SH bu ilişkiyi yok sayar ve genellikle \beta'nın belirsizliğini küçümser ya da büyütür. Örnekte number için model SH 0,0471, sağlam SH 0,0630'dur; rx için 0,1997 ve 0,2656. Sağlam varyans kişi sayısı az (85) olduğunda küçük örneklem düzeltmesi içermez.

Koddaki tercih: bağlar

baglar = efron (varsayılan) bağlı olay zamanlarında Efron yaklaşımını kullanır; breslow seçilirse Breslow (Efron, 1977; Breslow, 1974). Örnekte 112 olay 37 farklı zamandadır ve fark belirgindir: AG β(rx) Efron'la -0{,}4647, Breslow'la -0{,}4598; PWP-TT sağlam SH(rx) 0,2048 ve 0,1971. Yayımlı karşılaştırmalar (Wei vd., 1989) Breslow'la yapılmıştır. Aynı seçenek tüm modellerde ve kırılganlıkta kullanılır (135).

154.4.3 PWP: toplam zaman ve aralık zamanı

PWP, olay sırasına göre tabakalı taban tehlike kurar: \lambda_{ik}(t)=\lambda_{0k}(t)\exp(x_i'\beta), k = olay sırası (Prentice vd., 1981). k. olay için risk kümesi yalnız (k-1) olayı yaşamış kişileri içerir. Ortak değişken etkisi \beta tabakalar arasında ortaktır. Tabaka, \min(k_{ij},K)'dir; K= k_en_cok ve K'den yüksek sıralar son tabakaya katılır (179, 183).

  • Toplam zaman (pwp_tt): zaman ekseni sıfırdan itibaren; Surv(.bas, .bit, .olay) ~ x + strata(.str) + cluster(.id) (184).
  • Aralık zamanı (pwp_gt): zaman önceki olaydan itibaren (\text{bitiş}-\text{başlangıç}); Surv(.ara, .olay) ~ x + strata(.str) + cluster(.id) (179–180). Taban tehlike "yenilenme" zamanına göre işler.

Sağlam SH yine kişi kümesine göredir. Örnekte toplam zaman β(rx) -0{,}3335 (sağlam SH 0,2048), aralık zamanı -0{,}2790 (0,2156); AG'den farklıdır çünkü tabakalama olay sırasını koşullar.

154.4.4 WLW marjinal modeli

WLW, her olay sırası için ayrı bir marjinal Cox modeli kurar ve bunları kişi kümesine göre sağlam kovaryansla birleştirir (Wei vd., 1989). Her kişi k=1,\dots,K için bir satır üretir (159–169): k. olay zamanı (olay varsa) ya da son izlem zamanı (olay yoksa, sansür), ve herkes sıfırdan itibaren her k için riskte sayılır. Sıraya özgü etkiler x\cdot\mathbf 1(k) ile kurulur (rx_1, rx_2, …), her sıra ayrı tabakadadır:

\text{Surv(zaman, olay)}\sim x_{(1)}+\dots+x_{(K)}+\text{strata(sıra)}+\text{cluster(id)}.

Örnekte 340=85\times4 satır, 12 katsayı ve 4 tabaka vardır (tabaka başına olay 47, 29, 22, 14). Efron'la β(rx) = -0{,}526,\ -0{,}632,\ -0{,}698,\ -0{,}635; Breslow'la -0{,}518,\ -0{,}619,\ -0{,}700,\ -0{,}651 (Wei vd., 1989: -0{,}52,\,-0{,}62,\,-0{,}70,\,-0{,}65).

WLW'de başlangıç kullanılmaz

WLW satırları yalnız bitiş zamanından kurulur ve herkes sıfırdan itibaren riskte sayılır; bu yüzden gecikmeli giriş desteklenmez: bir denek ilk olaydan sonra girmişse şablon "WLW marjinal modeli gecikmeli girişi desteklemez" iletisiyle durur ve Andersen–Gill ya da PWP'yi önerir (141–147; herkes aynı noktadan girerse, ör. zaman ekseni kaymışsa, sonuç değişmez). Ortak değişken, deneğin ilk satırından alınır (164): denek içinde değişen bir ortak değişken varsa şablon bunu "UYARI" satırıyla bildirir (148–151). Gözlenen en büyük olay sırasının ötesindeki tabakalar olay içermez; K bu sıraya indirilir ve not yazılır (153–158), böylece NaN katsayı ve SE=0 satırı üretilmez.

154.4.5 Paylaşılan kırılganlık

Her kişi için gözlenmeyen çarpan z_i (kırılganlık): \lambda_{ij}(t)=z_i\lambda_0(t)\exp(x_{ij}'\beta). Gamma: z_i\sim\Gamma(1/\theta,\theta) (ortalama 1, varyans \theta); log-normal: \log z_i=w_i\sim N(0,\theta). coxph(frailty()) (\beta,w)'yi cezalı kısmi olabilirlikle birlikte en büyükler (Therneau vd., 2003):

\ell_p=\ell(\beta,w)+\sum_i g(w_i;\theta),\qquad g_{\text{gamma}}=\frac{w_i-e^{w_i}}{\theta},\quad g_{\text{log-normal}}=-\frac{w_i^2}{2\theta}.

\theta gamma için EM (frailty'nin varsayılanı; entegre kısmi olabilirliği en büyükler, çıktıda "I-likelihood"), log-normal için REML ile kestirilir (187). kirilganlik_eps, \theta'nın yakınsama ölçütüdür. Tabloda yalnız \beta'lar yer alır (kırılganlık terimleri çıkarılır, 206) ve \theta metinde yazılır (213); hemen ardından \theta'nın bağ yöntemine duyarlı ve SH'nin yaklaşık olduğunu söyleyen bir not gelir (214–215). SH, coxph'ın cezalı bilgi matrisinin tersindendir; 5'ten çok kişi sınıfında bilgi matrisinin kırılganlık bloğu köşegen yaklaşımla çözülür (sparse = TRUE varsayılan), bu nedenle SH tam matrisin tersinden küçük bir farkla ayrılır (örnekte %0,3). Örnekte gamma (Efron) \hat\theta=1{,}0751, log-normal (Efron) 0{,}8903; gamma için Kendall \tau=\theta/(\theta+2)=0{,}350, aynı kişideki iki olay zamanı arasındaki ilişkinin ölçüsüdür.

Koddaki tercih: SH ve GA

Kırılganlık modelinde tablo SH (model, cezalı bilgi), p ve \exp(\beta) GA'sını verir; sağlam SH yoktur. Öteki modellerde GA, sağlam SH ile \exp(\hat\beta\pm z\,SE_{\text{sağlam}})'dir; z=1{,}959964 (güven 0,95) ya da qnorm((1+guven)/2) (204, 209–210, 217–220).

154.4.6 Ortalama birikimli fonksiyon (MCF)

Şekil, ilk ortak değişkenin (en çok beş farklı değeri varsa) düzeylerine göre kişi başına ortalama birikimli olay sayısı \hat\mu(t)'yi Nelson–Aalen tahmin edicisiyle (survfit(..., id = .id)) çizer (190–203); beş değerden fazlaysa tek eğri ("Tümü") çizilir. Bu, modelden bağımsız betimleyici bir özettir.

154.5 Kod adım adım

Satırlar Ne yapar Neden / dikkat
88–106 Veri, kimlik/başlangıç/bitiş/olay denetimleri, eksiksiz satırlar Çıkarılan satır sayısı ve olay içerenler bildirilir.
107–114 x sütunları (factor, sabit), iç adlar, en az 3 denek Sütunlar .id, .bas, .bit, .olay olur.
115–129 Sıralama; örtüşme (hata) ve boşluk (not) denetimi; olay sırası .sira Örtüşen aralık çalıştırmayı durdurur.
130–137 K; formül parçaları; kur() (coxph + uyarı yakalama) Uyarılar sonda yazılır.
139–177 WLW: gecikmeli giriş denetimi, değişen ortak değişken uyarısı, K indirgemesi, kişi başına K satır, sıraya özgü ortak değişken, strata(.sira) İlk satırın ortak değişkeni; başlangıç yalnız denetimde kullanılır.
178–185 PWP aralık ve toplam zaman strata(pmin(.sira, K)).
186–192 Kırılganlık ve AG formülleri cluster(.id) yalnız AG ve PWP/WLW'de.
193–201 coxph; print; veri özeti tablosu WLW'de özet, modelin kullandığı satır ve olay sayısını da yazar (199–200).
203–226 Katsayı tablosu (sağlam SH ya da kırılganlık SH'si, z, p, HR, GA) Başlık modele göre.
229 coxph uyarıları
231–245 MCF şekli İlk ortak değişken.

154.6 Elle hesap: örnek veride bağımsız yeniden hesap

Bağımsız Python survival'ı çağırmaz: sayım süreci kısmi olabilirliğini (Efron ve Breslow; tabakalı) her olay zamanı için risk kümesi toplamlarından kurar, Newton–Raphson ile en büyükler, ve sağlam varyansı gözlem-ağırlığı türevlerinden s_k=\partial U/\partial\omega_k ile hesaplar. PWP ve WLW verisini kendi döngüsüyle kurar. R tarafında doğrudan coxph çağrılır ve PWP ile WLW verisi bu doğrulama için ayrıca yazılmıştır; kırılganlık için frailtyEM::emfrail ve coxme başvuru olarak kullanılır.

Adım 1 — Veri. 178 satır, 85 kişi, 112 olay, 37 farklı olay zamanı (Efron paydaları için 37 risk kümesi grubu). Olay sırası 85/46/27/20; olaylar 47/29/22/14.

Adım 2 — AG, \beta=0. Efron log-olabilirliği \ell(0)=-458{,}7393; skor U(0)=(-9{,}9734,\ 64{,}7188,\ -18{,}7723). Newton–Raphson ile \hat\beta=(-0{,}464687,\ 0{,}174960,\ -0{,}043660) ve \ell(\hat\beta)=-449{,}9806 verir; olabilirlik oranı 2(-449{,}9806+458{,}7393)=17{,}5174, sd 3 (şablon: "Likelihood ratio test=17.52 on 3 df").

Adım 3 — SH. I^{-1}'in köşegeninden model SH (0{,}199732;\ 0{,}047074;\ 0{,}069051); 85 kişinin skor artıklarından sandviç: (0{,}265561;\ 0{,}063041;\ 0{,}077616). R'de coxph(…+cluster(id)) aynı değerleri 10^{-10} içinde verir.

Adım 4 — Çıkarım. z_{rx}=-0{,}464687/0{,}265561=-1{,}74983, p=2\Phi(-1{,}74983)=0{,}08015; \exp(-0{,}464687)=0{,}62833, GA \exp(-0{,}464687\pm1{,}959964\cdot0{,}265561)=(0{,}37337;\ 1{,}05739). number: \hat\beta=0{,}174960, z=2{,}77536, HR 1{,}19120 (1{,}05275–1{,}34786).

Adım 5 — PWP. Toplam zaman: tabakalar 85/46/27/20 satır, \hat\beta_{rx}=-0{,}333489 (SH 0{,}204787), \ell=-315{,}9908; aralık zamanı: \hat\beta_{rx}=-0{,}279005 (0{,}215624), \ell=-358{,}9685.

Adım 6 — WLW. 340 satır, dört tabaka, \hat\beta_{rx} = -0{,}525984,\ -0{,}632311,\ -0{,}698492,\ -0{,}635439 (Efron) ve -0{,}517621,\ -0{,}619440,\ -0{,}699877,\ -0{,}650793 (Breslow); \ell=-423{,}7329.

Adım 7 — Kırılganlık. \theta verilince (R'de doğrudan coxph: gamma-Efron 1{,}075097) bağımsız Python (\beta,w) cezalı Newton ile \hat\beta=(-0{,}607614,\ 0{,}238670,\ -0{,}021586) bulur ve coxph'la 10^{-5} içinde örtüşür; SH, kırılganlık bloğu köşegen yaklaşımla çözülünce (0{,}33282;\ 0{,}09316;\ 0{,}11392) olur ve şablonla örtüşür; tam bilgi matrisiyle (frailty(sparse = FALSE) ile bağımsız Python) (0{,}33194;\ 0{,}09387;\ 0{,}11237)'dir. \theta'nın kendisi başka ölçütlerle yaklaşık eşleşir: gamma-Breslow şablon 0{,}9296, emfrail (marjinal olabilirlik) 1{,}0758; log-normal Breslow şablon 0{,}7613, coxme 0{,}8279.

Adım 8 — Yayımlı değerler. Therneau ve Grambsch (2000, 8.5): AG \hat\beta_{rx}\approx-0{,}47, sağlam SH 0{,}27 (şablon -0{,}4647 ve 0{,}2656); Wei vd. (1989, Tablo 2, Breslow): -0{,}52,\ -0{,}62,\ -0{,}70,\ -0{,}65 (şablon Breslow: -0{,}518,\ -0{,}619,\ -0{,}700,\ -0{,}651).

154.6.1 Doğrulama: MerQuR+, Python ve R

Büyüklük MerQuR+ Python (bağımsız) R (bağımsız) En büyük fark
Andersen-Gill (Efron): rx: β −0,46468695 −0,46468695 −0,46468695 4,5e−11 ✓
Andersen-Gill (Efron): rx: SH model 0,19973219 0,19973219 0,19973219 2,1e−12 ✓
Andersen-Gill (Efron): rx: SH sağlam 0,26556081 0,26556081 0,26556081 5,5e−12 ✓
Andersen-Gill (Efron): rx: z −1,74983255 −1,74983255 — 1,2e−10 ✓
Andersen-Gill (Efron): rx: p 0,08014721 0,08014721 — 3,6e−11 ✓
Andersen-Gill (Efron): rx: HR 0,62833177 0,62833177 — 2,9e−11 ✓
Andersen-Gill (Efron): rx: HR GA alt 0,37337329 0,37337329 — 1,5e−9 ✓
Andersen-Gill (Efron): rx: HR GA üst 1,05738902 1,05738901 — 4,2e−9 ✓
Andersen-Gill (Efron): number: β 0,17496038 0,17496038 0,17496038 1,3e−10 ✓
Andersen-Gill (Efron): number: SH model 0,04707406 0,04707406 0,04707406 8,1e−12 ✓
Andersen-Gill (Efron): number: SH sağlam 0,06304054 0,06304054 0,06304054 4,1e−12 ✓
Andersen-Gill (Efron): number: z 2,77536284 2,77536284 — 6,8e−10 ✓
Andersen-Gill (Efron): number: p 0,00551402 0,00551402 — 3,2e−11 ✓
Andersen-Gill (Efron): number: HR 1,19119902 1,19119902 — 1,3e−10 ✓
Andersen-Gill (Efron): number: HR GA alt 1,05274726 1,05274726 — 8,5e−10 ✓
Andersen-Gill (Efron): number: HR GA üst 1,34785923 1,34785923 — 1,1e−9 ✓
Andersen-Gill (Efron): size: β −0,04366028 −0,04366028 −0,04366028 2,7e−11 ✓
Andersen-Gill (Efron): size: SH model 0,06905085 0,06905085 0,06905085 1,0e−12 ✓
Andersen-Gill (Efron): size: SH sağlam 0,07761611 0,07761611 0,07761611 5,7e−12 ✓
Andersen-Gill (Efron): size: z −0,56251562 −0,56251562 — 3,9e−10 ✓
Andersen-Gill (Efron): size: p 0,57376476 0,57376476 — 2,6e−10 ✓
Andersen-Gill (Efron): size: HR 0,95727911 0,95727911 — 2,6e−11 ✓
Andersen-Gill (Efron): size: HR GA alt 0,82218893 0,82218894 — 9,7e−10 ✓
Andersen-Gill (Efron): size: HR GA üst 1,11456535 1,11456535 — 1,2e−9 ✓
Andersen-Gill (Breslow): rx: β −0,45979095 −0,45979095 −0,45979095 2,6e−11 ✓
Andersen-Gill (Breslow): rx: SH model 0,19995962 0,19995962 0,19995962 1,2e−12 ✓
Andersen-Gill (Breslow): rx: SH sağlam 0,25801049 0,25801049 0,25801049 2,9e−12 ✓
Andersen-Gill (Breslow): number: β 0,17164406 0,17164406 0,17164406 7,2e−11 ✓
Andersen-Gill (Breslow): number: SH model 0,04732818 0,04732818 0,04732818 4,4e−12 ✓
Andersen-Gill (Breslow): number: SH sağlam 0,06131414 0,06131414 0,06131414 2,5e−12 ✓
Andersen-Gill (Breslow): size: β −0,04256223 −0,04256223 −0,04256223 1,5e−11 ✓
Andersen-Gill (Breslow): size: SH model 0,0690322 0,0690322 0,0690322 5,7e−13 ✓
Andersen-Gill (Breslow): size: SH sağlam 0,07554755 0,07554755 0,07554755 3,2e−12 ✓
Veri özeti: denek sayısı 85 85 — 0 ✓
Veri özeti: satır (aralık) sayısı 178 178 — 0 ✓
Veri özeti: olay sayısı 112 112 — 0 ✓
Veri özeti: en çok olay / denek 4 4 — 0 ✓
PWP toplam zaman (Efron): rx: β −0,33348873 −0,33348873 −0,33348873 6,7e−16 ✓
PWP toplam zaman (Efron): rx: SH model 0,21616792 0,21616792 0,21616792 3,9e−16 ✓
PWP toplam zaman (Efron): rx: SH sağlam 0,20478677 0,20478677 0,20478677 1,9e−16 ✓
PWP toplam zaman (Efron): number: β 0,11961724 0,11961724 0,11961724 7,5e−15 ✓
PWP toplam zaman (Efron): number: SH model 0,05333781 0,05333781 0,05333781 3,1e−16 ✓
PWP toplam zaman (Efron): number: SH sağlam 0,05138675 0,05138675 0,05138675 1,9e−16 ✓
PWP toplam zaman (Efron): size: β −0,00849467 −0,00849467 −0,00849467 1,7e−15 ✓
PWP toplam zaman (Efron): size: SH model 0,07276226 0,07276226 0,07276226 6,9e−17 ✓
PWP toplam zaman (Efron): size: SH sağlam 0,06163521 0,06163521 0,06163521 3,7e−16 ✓
PWP toplam zaman (Breslow): rx: β −0,33429549 −0,33429549 −0,33429549 2,2e−16 ✓
PWP toplam zaman (Breslow): rx: SH model 0,21608664 0,21608664 0,21608664 1,9e−16 ✓
PWP toplam zaman (Breslow): rx: SH sağlam 0,19706439 0,19706439 0,19706439 8,0e−16 ✓
PWP toplam zaman (Breslow): number: β 0,11565264 0,11565264 0,11565264 3,4e−15 ✓
PWP toplam zaman (Breslow): number: SH model 0,05368126 0,05368126 0,05368126 1,7e−16 ✓
PWP toplam zaman (Breslow): number: SH sağlam 0,04991267 0,04991267 0,04991267 4,9e−17 ✓
PWP toplam zaman (Breslow): size: β −0,00805081 −0,00805081 −0,00805081 6,0e−16 ✓
PWP toplam zaman (Breslow): size: SH model 0,07272522 0,07272522 0,07272522 1,2e−16 ✓
PWP toplam zaman (Breslow): size: SH sağlam 0,06012387 0,06012387 0,06012387 2,2e−16 ✓
PWP aralık zamanı (Efron): rx: β −0,27900452 −0,27900452 −0,27900452 4,1e−13 ✓
PWP aralık zamanı (Efron): rx: SH model 0,20734773 0,20734773 0,20734773 1,8e−14 ✓
PWP aralık zamanı (Efron): rx: SH sağlam 0,21562387 0,21562387 0,21562387 9,0e−15 ✓
PWP aralık zamanı (Efron): number: β 0,1580459 0,1580459 0,1580459 7,9e−13 ✓
PWP aralık zamanı (Efron): number: SH model 0,05194244 0,05194244 0,05194244 4,3e−14 ✓
PWP aralık zamanı (Efron): number: SH sağlam 0,05093977 0,05093977 0,05093977 8,9e−15 ✓
PWP aralık zamanı (Efron): size: β 0,00741509 0,00741509 0,00741509 2,0e−13 ✓
PWP aralık zamanı (Efron): size: SH model 0,07002305 0,07002305 0,07002305 6,5e−15 ✓
PWP aralık zamanı (Efron): size: SH sağlam 0,06433251 0,06433251 0,06433251 3,5e−14 ✓
PWP aralık zamanı (Breslow): rx: β −0,26952129 −0,26952129 −0,26952129 2,1e−13 ✓
PWP aralık zamanı (Breslow): rx: SH model 0,20766224 0,20766224 0,20766224 9,1e−15 ✓
PWP aralık zamanı (Breslow): rx: SH sağlam 0,20807587 0,20807587 0,20807587 9,4e−15 ✓
PWP aralık zamanı (Breslow): number: β 0,15353336 0,15353336 0,15353336 4,3e−13 ✓
PWP aralık zamanı (Breslow): number: SH model 0,0521059 0,0521059 0,0521059 2,3e−14 ✓
PWP aralık zamanı (Breslow): number: SH sağlam 0,04889012 0,04889012 0,04889012 7,1e−15 ✓
PWP aralık zamanı (Breslow): size: β 0,00684024 0,00684024 0,00684024 1,1e−13 ✓
PWP aralık zamanı (Breslow): size: SH model 0,07001045 0,07001045 0,07001045 3,7e−15 ✓
PWP aralık zamanı (Breslow): size: SH sağlam 0,062217 0,062217 0,062217 1,8e−14 ✓
WLW (Efron): rx_1: β −0,52598436 −0,52598436 −0,52598436 1,0e−15 ✓
WLW (Efron): rx_1: SH model 0,31582587 0,31582587 0,31582587 1,0e−15 ✓
WLW (Efron): rx_1: SH sağlam 0,31523946 0,31523946 0,31523946 1,1e−16 ✓
WLW (Efron): rx_1: z −1,66852324 −1,66852324 — 0 ✓
WLW (Efron): rx_1: p 0,0952119 0,0952119 — 8,3e−17 ✓
WLW (Efron): rx_1: HR 0,59097335 0,59097335 — 0 ✓
WLW (Efron): rx_1: HR GA alt 0,31859253 0,31859253 — 1,6e−9 ✓
WLW (Efron): rx_1: HR GA üst 1,09622628 1,09622627 — 4,9e−9 ✓
WLW (Efron): number_1: β 0,23817961 0,23817961 0,23817961 1,0e−15 ✓
WLW (Efron): number_1: SH model 0,07588471 0,07588471 0,07588471 6,9e−17 ✓
WLW (Efron): number_1: SH sağlam 0,07458532 0,07458532 0,07458532 2,5e−16 ✓
WLW (Efron): size_1: β 0,06961334 0,06961334 0,06961334 1,5e−16 ✓
WLW (Efron): size_1: SH model 0,10155903 0,10155903 0,10155903 1,0e−15 ✓
WLW (Efron): size_1: SH sağlam 0,08863123 0,08863123 0,08863123 9,7e−17 ✓
WLW (Efron): rx_2: β −0,6323109 −0,6323109 −0,6323109 2,0e−15 ✓
WLW (Efron): rx_2: SH model 0,39307992 0,39307992 0,39307992 1,8e−15 ✓
WLW (Efron): rx_2: SH sağlam 0,36831165 0,36831165 0,36831165 2,4e−15 ✓
WLW (Efron): number_2: β 0,13692641 0,13692641 0,13692641 5,6e−17 ✓
WLW (Efron): number_2: SH model 0,0917147 0,0917147 0,0917147 5,6e−17 ✓
WLW (Efron): number_2: SH sağlam 0,08773923 0,08773923 0,08773923 6,9e−17 ✓
WLW (Efron): size_2: β −0,07775171 −0,07775171 −0,07775171 4,0e−16 ✓
WLW (Efron): size_2: SH model 0,13386288 0,13386288 0,13386288 1,0e−15 ✓
WLW (Efron): size_2: SH sağlam 0,11884182 0,11884182 0,11884182 1,0e−15 ✓
WLW (Efron): rx_3: β −0,69849154 −0,69849154 −0,69849154 2,3e−15 ✓
WLW (Efron): rx_3: SH model 0,45977708 0,45977708 0,45977708 1,0e−15 ✓
WLW (Efron): rx_3: SH sağlam 0,42038233 0,42038233 0,42038233 1,0e−15 ✓
WLW (Efron): number_3: β 0,17350789 0,17350789 0,17350789 1,0e−15 ✓
WLW (Efron): number_3: SH model 0,10463367 0,10463367 0,10463367 2,9e−16 ✓
WLW (Efron): number_3: SH sağlam 0,10564375 0,10564375 0,10564375 9,7e−17 ✓
WLW (Efron): size_3: β −0,21383798 −0,21383798 −0,21383798 1,0e−15 ✓
WLW (Efron): size_3: SH model 0,18260081 0,18260081 0,18260081 1,9e−16 ✓
WLW (Efron): size_3: SH sağlam 0,17358391 0,17358391 0,17358391 6,1e−16 ✓
WLW (Efron): rx_4: β −0,63543896 −0,63543896 −0,63543896 5,2e−14 ✓
WLW (Efron): rx_4: SH model 0,57645272 0,57645272 0,57645272 2,9e−15 ✓
WLW (Efron): rx_4: SH sağlam 0,49728515 0,49728515 0,49728515 5,1e−15 ✓
WLW (Efron): number_4: β 0,33247199 0,33247199 0,33247199 3,8e−14 ✓
WLW (Efron): number_4: SH model 0,12466508 0,12466508 0,12466508 5,5e−15 ✓
WLW (Efron): number_4: SH sağlam 0,11556686 0,11556686 0,11556686 2,8e−17 ✓
WLW (Efron): size_4: β −0,20646079 −0,20646079 −0,20646079 5,5e−14 ✓
WLW (Efron): size_4: SH model 0,23087202 0,23087202 0,23087202 1,2e−14 ✓
WLW (Efron): size_4: SH sağlam 0,19380456 0,19380456 0,19380456 1,3e−14 ✓
WLW (Breslow): rx_1: β −0,5176209 −0,5176209 −0,5176209 1,1e−16 ✓
WLW (Breslow): rx_1: SH model 0,31575711 0,31575711 0,31575711 7,8e−16 ✓
WLW (Breslow): rx_1: SH sağlam 0,30749799 0,30749799 0,30749799 1,4e−15 ✓
WLW (Breslow): rx_1: z −1,68333104 −1,68333104 — 4,4e−15 ✓
WLW (Breslow): rx_1: p 0,09231102 0,09231102 — 1,6e−15 ✓
WLW (Breslow): rx_1: HR 0,59593665 0,59593665 — 4,4e−16 ✓
WLW (Breslow): rx_1: HR GA alt 0,32618001 0,32618001 — 1,6e−9 ✓
WLW (Breslow): rx_1: HR GA üst 1,08878683 1,08878683 — 4,8e−9 ✓
WLW (Breslow): number_1: β 0,23599475 0,23599475 0,23599475 2,5e−16 ✓
WLW (Breslow): number_1: SH model 0,07607544 0,07607544 0,07607544 6,9e−17 ✓
WLW (Breslow): number_1: SH sağlam 0,07207718 0,07207718 0,07207718 5,6e−17 ✓
WLW (Breslow): size_1: β 0,06788818 0,06788818 0,06788818 1,1e−16 ✓
WLW (Breslow): size_1: SH model 0,10124689 0,10124689 0,10124689 5,0e−16 ✓
WLW (Breslow): size_1: SH sağlam 0,0852853 0,0852853 0,0852853 1,7e−16 ✓
WLW (Breslow): rx_2: β −0,61944041 −0,61944041 −0,61944041 2,0e−15 ✓
WLW (Breslow): rx_2: SH model 0,39317662 0,39317662 0,39317662 8,9e−16 ✓
WLW (Breslow): rx_2: SH sağlam 0,36390705 0,36390705 0,36390705 1,6e−15 ✓
WLW (Breslow): number_2: β 0,13755978 0,13755978 0,13755978 3,3e−16 ✓
WLW (Breslow): number_2: SH model 0,0919043 0,0919043 0,0919043 1,4e−17 ✓
WLW (Breslow): number_2: SH sağlam 0,08689883 0,08689883 0,08689883 1,2e−16 ✓
WLW (Breslow): size_2: β −0,07612254 −0,07612254 −0,07612254 2,1e−16 ✓
WLW (Breslow): size_2: SH model 0,13405897 0,13405897 0,13405897 1,9e−16 ✓
WLW (Breslow): size_2: SH sağlam 0,11812097 0,11812097 0,11812097 3,7e−16 ✓
WLW (Breslow): rx_3: β −0,6998771 −0,6998771 −0,6998771 1,4e−15 ✓
WLW (Breslow): rx_3: SH model 0,45994276 0,45994276 0,45994276 3,3e−16 ✓
WLW (Breslow): rx_3: SH sağlam 0,41516116 0,41516116 0,41516116 5,6e−16 ✓
WLW (Breslow): number_3: β 0,16983691 0,16983691 0,16983691 8,3e−17 ✓
WLW (Breslow): number_3: SH model 0,10520569 0,10520569 0,10520569 1,2e−16 ✓
WLW (Breslow): number_3: SH sağlam 0,10355899 0,10355899 0,10355899 3,2e−16 ✓
WLW (Breslow): size_3: β −0,21131309 −0,21131309 −0,21131309 3,9e−16 ✓
WLW (Breslow): size_3: SH model 0,182405 0,182405 0,182405 3,1e−16 ✓
WLW (Breslow): size_3: SH sağlam 0,17198028 0,17198028 0,17198028 1,0e−15 ✓
WLW (Breslow): rx_4: β −0,65079346 −0,65079346 −0,65079346 2,4e−14 ✓
WLW (Breslow): rx_4: SH model 0,57744176 0,57744176 0,57744176 1,1e−15 ✓
WLW (Breslow): rx_4: SH sağlam 0,48970519 0,48970519 0,48970519 2,0e−15 ✓
WLW (Breslow): number_4: β 0,32879584 0,32879584 0,32879584 1,8e−14 ✓
WLW (Breslow): number_4: SH model 0,12527927 0,12527927 0,12527927 2,5e−15 ✓
WLW (Breslow): number_4: SH sağlam 0,11381629 0,11381629 0,11381629 3,6e−16 ✓
WLW (Breslow): size_4: β −0,20317295 −0,20317295 −0,20317295 2,4e−14 ✓
WLW (Breslow): size_4: SH model 0,23017707 0,23017707 0,23017707 5,7e−15 ✓
WLW (Breslow): size_4: SH sağlam 0,19105897 0,19105897 0,19105897 5,2e−15 ✓
PWP toplam zaman, K = 2: rx: β −0,31990156 −0,31990156 — 1,2e−13 ✓
PWP toplam zaman, K = 2: rx: SH sağlam 0,22045248 0,22045248 — 3,7e−14 ✓
PWP toplam zaman, K = 2: number: β 0,13178263 0,13178263 — 4,9e−13 ✓
PWP toplam zaman, K = 2: number: SH sağlam 0,05713775 0,05713775 — 2,2e−14 ✓
PWP toplam zaman, K = 2: size: β −0,04312993 −0,04312993 — 8,9e−14 ✓
PWP toplam zaman, K = 2: size: SH sağlam 0,06739916 0,06739916 — 1,6e−14 ✓
PWP toplam zaman, K = 3: rx: β −0,28627615 −0,28627615 — 9,2e−15 ✓
PWP toplam zaman, K = 3: rx: SH sağlam 0,20630427 0,20630427 — 2,4e−15 ✓
PWP toplam zaman, K = 3: number: β 0,12852272 0,12852272 — 3,0e−14 ✓
PWP toplam zaman, K = 3: number: SH sağlam 0,05079694 0,05079694 — 4,8e−16 ✓
PWP toplam zaman, K = 3: size: β 4,667760·10−4 4,667760·10−4 — 7,0e−15 ✓
PWP toplam zaman, K = 3: size: SH sağlam 0,06029704 0,06029704 — 9,4e−16 ✓
PWP aralık zamanı, K = 2: rx: β −0,32074755 −0,32074755 — 8,1e−14 ✓
PWP aralık zamanı, K = 2: rx: SH sağlam 0,22347485 0,22347485 — 1,4e−14 ✓
PWP aralık zamanı, K = 2: number: β 0,13498487 0,13498487 — 2,4e−13 ✓
PWP aralık zamanı, K = 2: number: SH sağlam 0,05372856 0,05372856 — 8,0e−15 ✓
PWP aralık zamanı, K = 2: size: β −0,02379434 −0,02379434 — 5,2e−14 ✓
PWP aralık zamanı, K = 2: size: SH sağlam 0,06355184 0,06355184 — 8,6e−15 ✓
PWP aralık zamanı, K = 3: rx: β −0,28503817 −0,28503817 — 5,5e−13 ✓
PWP aralık zamanı, K = 3: rx: SH sağlam 0,21375491 0,21375491 — 9,6e−15 ✓
PWP aralık zamanı, K = 3: number: β 0,16154758 0,16154758 — 9,9e−13 ✓
PWP aralık zamanı, K = 3: number: SH sağlam 0,05097139 0,05097139 — 1,5e−14 ✓
PWP aralık zamanı, K = 3: size: β 0,01441243 0,01441243 — 2,6e−13 ✓
PWP aralık zamanı, K = 3: size: SH sağlam 0,0650717 0,0650717 — 4,8e−14 ✓
WLW, K = 2: rx_1: β −0,52598436 −0,52598436 — 3,0e−15 ✓
WLW, K = 2: rx_1: SH sağlam 0,31523946 0,31523946 — 1,2e−15 ✓
WLW, K = 2: number_1: β 0,23817961 0,23817961 — 1,0e−15 ✓
WLW, K = 2: number_1: SH sağlam 0,07458532 0,07458532 — 2,6e−16 ✓
WLW, K = 2: size_1: β 0,06961334 0,06961334 — 6,2e−16 ✓
WLW, K = 2: size_1: SH sağlam 0,08863123 0,08863123 — 5,1e−16 ✓
WLW, K = 2: rx_2: β −0,6323109 −0,6323109 — 1,2e−15 ✓
WLW, K = 2: rx_2: SH sağlam 0,36831165 0,36831165 — 7,8e−16 ✓
WLW, K = 2: number_2: β 0,13692641 0,13692641 — 5,6e−17 ✓
WLW, K = 2: number_2: SH sağlam 0,08773923 0,08773923 — 2,5e−16 ✓
WLW, K = 2: size_2: β −0,07775171 −0,07775171 — 3,5e−16 ✓
WLW, K = 2: size_2: SH sağlam 0,11884182 0,11884182 — 5,6e−16 ✓
WLW, K = 3: rx_1: β −0,52598436 −0,52598436 — 1,0e−15 ✓
WLW, K = 3: rx_1: SH sağlam 0,31523946 0,31523946 — 1,2e−15 ✓
WLW, K = 3: number_1: β 0,23817961 0,23817961 — 0 ✓
WLW, K = 3: number_1: SH sağlam 0,07458532 0,07458532 — 2,6e−16 ✓
WLW, K = 3: size_1: β 0,06961334 0,06961334 — 2,2e−16 ✓
WLW, K = 3: size_1: SH sağlam 0,08863123 0,08863123 — 3,1e−16 ✓
WLW, K = 3: rx_2: β −0,6323109 −0,6323109 — 6,7e−16 ✓
WLW, K = 3: rx_2: SH sağlam 0,36831165 0,36831165 — 5,6e−17 ✓
WLW, K = 3: number_2: β 0,13692641 0,13692641 — 8,3e−17 ✓
WLW, K = 3: number_2: SH sağlam 0,08773923 0,08773923 — 2,8e−17 ✓
WLW, K = 3: size_2: β −0,07775171 −0,07775171 — 2,4e−16 ✓
WLW, K = 3: size_2: SH sağlam 0,11884182 0,11884182 — 2,9e−16 ✓
WLW, K = 3: rx_3: β −0,69849154 −0,69849154 — 3,9e−15 ✓
WLW, K = 3: rx_3: SH sağlam 0,42038233 0,42038233 — 2,2e−15 ✓
WLW, K = 3: number_3: β 0,17350789 0,17350789 — 3,6e−16 ✓
WLW, K = 3: number_3: SH sağlam 0,10564375 0,10564375 — 2,9e−16 ✓
WLW, K = 3: size_3: β −0,21383798 −0,21383798 — 3,3e−16 ✓
WLW, K = 3: size_3: SH sağlam 0,17358391 0,17358391 — 4,7e−16 ✓
WLW, K = 5: kestirilemeyen terim sayısı (olay yok → 3·(K − 4)) 3 3 — 0 ✓
WLW, K = 5: ilk dört sıranın rx_1 katsayısı (K = 4 ile aynı) −0,52598436 −0,52598436 — 1,8e−15 ✓
WLW, K = 20: kestirilemeyen terim sayısı (olay yok → 3·(K − 4)) 48 48 — 0 ✓
WLW, K = 20: ilk dört sıranın rx_1 katsayısı (K = 4 ile aynı) −0,52598436 −0,52598436 — 1,8e−15 ✓
PWP toplam zaman, K = 5: β(rx) (K = 4 ile aynı) −0,33348873 −0,33348873 — 6,7e−16 ✓
PWP toplam zaman, K = 20: β(rx) (K = 4 ile aynı) −0,33348873 −0,33348873 — 6,7e−16 ✓
PWP aralık zamanı, K = 5: β(rx) (K = 4 ile aynı) −0,27900452 −0,27900452 — 4,1e−13 ✓
PWP aralık zamanı, K = 20: β(rx) (K = 4 ile aynı) −0,27900452 −0,27900452 — 4,1e−13 ✓
Yayımlı (Therneau ve Grambsch, 2000, 8,5): AG β(rx) ≈ −0,47 −0,46468695 −0,47 — 5,3e−3 ✓
Yayımlı: AG sağlam SH(rx) ≈ 0,27 0,26556081 0,27 — 4,4e−3 ✓
Yayımlı (Wei vd., 1989, Tablo 2; Breslow): WLW β(rx, sıra 1) −0,5176209 −0,52 — 2,4e−3 ✓
Yayımlı (Wei vd., 1989, Tablo 2; Breslow): WLW β(rx, sıra 2) −0,61944041 −0,62 — 5,6e−4 ✓
Yayımlı (Wei vd., 1989, Tablo 2; Breslow): WLW β(rx, sıra 3) −0,6998771 −0,7 — 1,2e−4 ✓
Yayımlı (Wei vd., 1989, Tablo 2; Breslow): WLW β(rx, sıra 4) −0,65079346 −0,65 — 7,9e−4 ✓
Gamma, Efron: θ (şablon metni 6 hane ↔ R doğrudan coxph) 1,075097 1,07509703 1,07509703 2,6e−8 ✓
Gamma, Efron: β(rx) (θ verilmiş) −0,60761392 −0,60760985 −0,60761392 4,1e−6 ✓
Gamma, Efron: SH(rx) (θ verilmiş; frailty bloğu köşegen yaklaşımı) 0,33281654 0,33281003 0,33281654 6,5e−6 ✓
Gamma, Efron: SH(rx) tam bilgi matrisi: frailty(sparse = FALSE) ↔ bağımsız Python 0,3319407 0,33193992 0,3319407 7,9e−7 ✓
Gamma, Efron: SH(rx) şablon (seyrek) ↔ tam bilgi matrisi 0,33281654 0,3319345 — 8,8e−4 ✓
Gamma, Efron: β(number) (θ verilmiş) 0,23867045 0,23866774 0,23867045 2,7e−6 ✓
Gamma, Efron: SH(number) (θ verilmiş; frailty bloğu köşegen yaklaşımı) 0,09316353 0,09316147 0,09316353 2,1e−6 ✓
Gamma, Efron: SH(number) tam bilgi matrisi: frailty(sparse = FALSE) ↔ bağımsız Python 0,09386745 0,0938672 0,09386745 2,5e−7 ✓
Gamma, Efron: SH(number) şablon (seyrek) ↔ tam bilgi matrisi 0,09316353 0,09386545 — 7,0e−4 ✓
Gamma, Efron: β(size) (θ verilmiş) −0,02158607 −0,02158727 −0,02158607 1,2e−6 ✓
Gamma, Efron: SH(size) (θ verilmiş; frailty bloğu köşegen yaklaşımı) 0,11391727 0,11391488 0,11391727 2,4e−6 ✓
Gamma, Efron: SH(size) tam bilgi matrisi: frailty(sparse = FALSE) ↔ bağımsız Python 0,11237359 0,11237331 0,11237359 2,7e−7 ✓
Gamma, Efron: SH(size) şablon (seyrek) ↔ tam bilgi matrisi 0,11391727 0,11237145 — 1,5e−3 ✓
Gamma, Breslow: θ (şablon metni 6 hane ↔ R doğrudan coxph) 0,929634 0,92963395 0,92963395 5,2e−8 ✓
Gamma, Breslow: β(rx) (θ verilmiş) −0,58385446 −0,58385376 −0,58385446 6,9e−7 ✓
Gamma, Breslow: SH(rx) (θ verilmiş; frailty bloğu köşegen yaklaşımı) 0,31753573 0,31753511 0,31753573 6,3e−7 ✓
Gamma, Breslow: SH(rx) tam bilgi matrisi: frailty(sparse = FALSE) ↔ bağımsız Python 0,31716204 0,31716155 0,31716204 4,9e−7 ✓
Gamma, Breslow: SH(rx) şablon (seyrek) ↔ tam bilgi matrisi 0,31753573 0,31716147 — 3,7e−4 ✓
Gamma, Breslow: β(number) (θ verilmiş) 0,22492997 0,22492949 0,22492997 4,8e−7 ✓
Gamma, Breslow: SH(number) (θ verilmiş; frailty bloğu köşegen yaklaşımı) 0,08823493 0,08823473 0,08823493 2,0e−7 ✓
Gamma, Breslow: SH(number) tam bilgi matrisi: frailty(sparse = FALSE) ↔ bağımsız Python 0,08884697 0,08884681 0,08884697 1,6e−7 ✓
Gamma, Breslow: SH(number) şablon (seyrek) ↔ tam bilgi matrisi 0,08823493 0,08884679 — 6,1e−4 ✓
Gamma, Breslow: β(size) (θ verilmiş) −0,02334226 −0,02334246 −0,02334226 2,0e−7 ✓
Gamma, Breslow: SH(size) (θ verilmiş; frailty bloğu köşegen yaklaşımı) 0,10826048 0,10826023 0,10826048 2,4e−7 ✓
Gamma, Breslow: SH(size) tam bilgi matrisi: frailty(sparse = FALSE) ↔ bağımsız Python 0,10708324 0,10708307 0,10708324 1,7e−7 ✓
Gamma, Breslow: SH(size) şablon (seyrek) ↔ tam bilgi matrisi 0,10826048 0,10708304 — 1,2e−3 ✓
Log-normal, Efron: θ (şablon metni 6 hane ↔ R doğrudan coxph) 0,890301 0,89030115 0,89030115 1,5e−7 ✓
Log-normal, Efron: β(rx) (θ verilmiş) −0,56118185 −0,56118104 −0,56118185 8,2e−7 ✓
Log-normal, Efron: SH(rx) (θ verilmiş; frailty bloğu köşegen yaklaşımı) 0,3161053 0,31610444 0,3161053 8,6e−7 ✓
Log-normal, Efron: SH(rx) tam bilgi matrisi: frailty(sparse = FALSE) ↔ bağımsız Python 0,31571478 0,31571478 0,31571478 1,6e−10 ✓
Log-normal, Efron: SH(rx) şablon (seyrek) ↔ tam bilgi matrisi 0,3161053 0,31417485 — 1,9e−3 ✓
Log-normal, Efron: β(number) (θ verilmiş) 0,22594289 0,22594247 0,22594289 4,2e−7 ✓
Log-normal, Efron: SH(number) (θ verilmiş; frailty bloğu köşegen yaklaşımı) 0,08348381 0,08348357 0,08348381 2,4e−7 ✓
Log-normal, Efron: SH(number) tam bilgi matrisi: frailty(sparse = FALSE) ↔ bağımsız Python 0,08363941 0,08363941 0,08363941 4,6e−11 ✓
Log-normal, Efron: SH(number) şablon (seyrek) ↔ tam bilgi matrisi 0,08348381 0,08320428 — 2,8e−4 ✓
Log-normal, Efron: β(size) (θ verilmiş) −0,02014997 −0,02015008 −0,02014997 1,1e−7 ✓
Log-normal, Efron: SH(size) (θ verilmiş; frailty bloğu köşegen yaklaşımı) 0,10649646 0,10649618 0,10649646 2,8e−7 ✓
Log-normal, Efron: SH(size) tam bilgi matrisi: frailty(sparse = FALSE) ↔ bağımsız Python 0,10600521 0,10600521 0,10600521 5,3e−11 ✓
Log-normal, Efron: SH(size) şablon (seyrek) ↔ tam bilgi matrisi 0,10649646 0,10550733 — 9,9e−4 ✓
Log-normal, Breslow: θ (şablon metni 6 hane ↔ R doğrudan coxph) 0,761261 0,76126056 0,76126056 4,4e−7 ✓
Log-normal, Breslow: β(rx) (θ verilmiş) −0,54521208 −0,54521199 −0,54521208 9,1e−8 ✓
Log-normal, Breslow: SH(rx) (θ verilmiş; frailty bloğu köşegen yaklaşımı) 0,30219509 0,30219506 0,30219509 3,2e−8 ✓
Log-normal, Breslow: SH(rx) tam bilgi matrisi: frailty(sparse = FALSE) ↔ bağımsız Python 0,30237855 0,30237855 0,30237855 1,2e−11 ✓
Log-normal, Breslow: SH(rx) şablon (seyrek) ↔ tam bilgi matrisi 0,30219509 0,3009439 — 1,3e−3 ✓
Log-normal, Breslow: β(number) (θ verilmiş) 0,21528102 0,21528099 0,21528102 3,7e−8 ✓
Log-normal, Breslow: SH(number) (θ verilmiş; frailty bloğu köşegen yaklaşımı) 0,07958617 0,07958616 0,07958617 9,1e−9 ✓
Log-normal, Breslow: SH(number) tam bilgi matrisi: frailty(sparse = FALSE) ↔ bağımsız Python 0,07985955 0,07985955 0,07985955 3,4e−12 ✓
Log-normal, Breslow: SH(number) şablon (seyrek) ↔ tam bilgi matrisi 0,07958617 0,07945182 — 1,3e−4 ✓
Log-normal, Breslow: β(size) (θ verilmiş) −0,02188382 −0,02188382 −0,02188382 9,7e−10 ✓
Log-normal, Breslow: SH(size) (θ verilmiş; frailty bloğu köşegen yaklaşımı) 0,10185937 0,10185936 0,10185937 1,0e−8 ✓
Log-normal, Breslow: SH(size) tam bilgi matrisi: frailty(sparse = FALSE) ↔ bağımsız Python 0,10156543 0,10156543 0,10156543 3,9e−12 ✓
Log-normal, Breslow: SH(size) şablon (seyrek) ↔ tam bilgi matrisi 0,10185937 0,10110229 — 7,6e−4 ✓
Gecikmeli giriş (AG): β(rx) −0,31225884 −0,31225884 — 1,7e−15 ✓
Gecikmeli giriş (AG): β(number) 0,12349721 0,12349721 — 2,0e−13 ✓
Gecikmeli giriş (AG): β(size) −0,03398117 −0,03398117 — 2,1e−14 ✓
Gecikmeli giriş (WLW): β(rx_1) −0,52598436 −0,52598436 — 2,2e−16 ✓
Gecikmeli giriş (WLW): β(number_1) 0,23817961 0,23817961 — 3,9e−16 ✓
Gecikmeli giriş (WLW): β(size_1) 0,06961334 0,06961334 — 1,5e−16 ✓
WLW, zamana bağlı ortak değişken (ilk aralıktaki değer kullanılır): rx_1: β −0,37186192 −0,37186192 — 6,5e−12 ✓
WLW, zamana bağlı ortak değişken (ilk aralıktaki değer kullanılır): zb_1: β −0,03092369 −0,03092369 — 8,8e−14 ✓
WLW, zamana bağlı ortak değişken (ilk aralıktaki değer kullanılır): rx_2: β −0,58116304 −0,58116304 — 6,1e−10 ✓
WLW, zamana bağlı ortak değişken (ilk aralıktaki değer kullanılır): zb_2: β 0,54959106 0,54959106 — 5,4e−10 ✓
AG, zamana bağlı ortak değişken (her aralığın kendi değeri): rx: β −0,39373792 −0,39373792 — 4,5e−11 ✓
AG, zamana bağlı ortak değişken (her aralığın kendi değeri): zb: β −0,25414895 −0,25414895 — 1,9e−13 ✓
Başvuru: gamma θ (Breslow), emfrail marjinal olabilirlik ↔ şablon (coxph, Breslow) 0,929634 0,929634 1,07577231 1,5e−1 ✓
Başvuru: log-normal θ (Breslow), coxme entegre olabilirlik ↔ şablon (coxph, Breslow) 0,761261 0,761261 0,82788074 6,7e−2 ✓
Başvuru: gamma β(rx) emfrail ↔ şablon (Breslow) −0,58385446 — −0,58284812 1,0e−3 ✓

Ölçütü karşılayan: 290/290. Ölçüt satır başına yazılıdır: katsayı ve standart hata 10^{-6} (göreli, değer 1'den büyükse); paylaşılan kırılganlıkta, coxph'ın \epsilon=10^{-8} yakınsama ölçütü nedeniyle 10^{-5}. coxph, 5'ten çok sınıflı kırılganlıkta bilgi matrisinin kırılganlık bloğunu köşegen yaklaşımla çözer (frailty(sparse = TRUE), varsayılan): SH satırlarının birinci kümesi bu yaklaşımı bağımsız Python'da yineler (10^{-5} içinde eşleşir); “tam bilgi matrisi” satırları sparse = FALSE çözümünü bağımsız Python'un tam matrisiyle karşılaştırır ve şablonun SH'sinin tam matristen en çok %0,4 ayrıldığını gösterir (ölçüt 5\times10^{-3}). Bağımsız Python, sayım süreci kısmi olabilirliğini (Efron ve Breslow, tabakalı) ve sağlam varyansı V=I^{-1}(\sum_c s_cs_c')I^{-1} (s_k=\partial U/\partial\omega_k) kendisi yazar; PWP ve WLW verisini kendi döngüsüyle kurar (survival çağrılmaz). R sütunu doğrudan coxph çağrısıdır; PWP ve WLW verisi ayrıca bu doğrulama dosyasında kurulmuştur. Kırılganlıkta \theta şablonun kendi (R'de doğrudan coxph'ın) değeridir; bağımsız Python verilmiş \theta için (\beta,w) cezalı en büyüklemesini (gamma: \sum(w-e^w)/\theta, log-normal: -\tfrac12\sum w^2/\theta) ve \beta bloğunun SH'sini hesaplar. \theta'nın kendisi için bağımsız ölçüt emfrail (gamma, marjinal olabilirlik) ve coxme (log-normal, entegre olabilirlik) ile yaklaşık karşılaştırılır (ölçüt 0{,}2): coxph \theta'yı farklı bir ölçütle kestirdiğinden eşleşme beklenmez. Yayımlı değerler iki ondalıkla verildiğinden (Therneau ve Grambsch, 2000; Wei vd., 1989) ölçüt 6\times10^{-3}'tür; Wei vd. Breslow bağıyla çalışmıştır.

154.7 Çıktıyı okuma

Örnek ayar (yo_ag), konsol:

Call:
coxph(formula = Surv(.bas, .bit, .olay) ~ rx + number + size, 
    data = veri, ties = P$baglar, cluster = .id)

           coef exp(coef) se(coef) robust se      z       p
rx     -0.46469   0.62833  0.19973   0.26556 -1.750 0.08015
number  0.17496   1.19120  0.04707   0.06304  2.775 0.00551
size   -0.04366   0.95728  0.06905   0.07762 -0.563 0.57376

Likelihood ratio test=17.52  on 3 df, p=0.0005531
n= 178, number of events= 112 

Tablolar (kısaltılmış):

Veri özeti
olcut                    deger
Denek                       85
Satır (aralık)             178
Olay                       112
En çok olay / denek          4

Andersen-Gill modeli (sağlam SE)
terim     kestirim  SH_model  SH_saglam         z         p        HR  HR_GA_alt  HR_GA_ust
rx       -0.464687  0.199732   0.265561  -1.74983  0.080147  0.628332   0.373373   1.05739
number    0.174960  0.047074   0.063041   2.77536  0.005514  1.191200   1.052750   1.34786
size     -0.043660  0.069051   0.077616  -0.56252  0.573765  0.957279   0.822189   1.11457

WLW marjinal model: olay sırasına özgü etkiler (terim_k, sağlam SE) (kısaltılmış)
terim       kestirim  SH_saglam         p
rx_1       -0.525984   0.315239  0.095212
number_1    0.238180   0.074585  0.001406
rx_2       -0.632311   0.368312  0.086019
rx_4       -0.635439   0.497285  0.201314
number_4    0.332472   0.115567  0.004016

Şekil 154.1. Örnek ayar: ortalama birikimli olay sayısı (MCF), `rx` = 1 (mor) ve `rx` = 2 (pembe).

Öğe Ne yazar Nasıl yorumlanır
coxph özeti Katsayı, \exp(\beta), model SH, sağlam SH, z, p; LR testi, n ve olay LR testi ve n satır sayısıdır, kişi sayısı değil; p sağlam SH'dendir.
Veri özeti Denek, satır, olay, en çok olay/denek Modelin kullandığı satır ve olay sayısı farklı olabilir (WLW, K küçükse).
SH_model, SH_saglam Kişi içi bağımlılığı yok sayan ve sayan SH İki SH çok ayrışıyorsa kişi içi bağımlılık güçlüdür.
HR, GA \exp(\beta) ve sağlam SH'li Wald aralığı AG: olay hızı oranı; PWP: sıraya koşullu oran; WLW: sıraya özgü marjinal oran.
WLW terim_k Sıraya özgü etki Etkinin ilk, ikinci, ... nükste farklı olup olmadığı.
Kırılganlık Katsayı, SH, p, HR, GA; \theta SH model tabanlıdır; \theta gamma için varyans, log-normal için \log z varyansı.
MCF şekli Gruplara göre ortalama birikimli olay sayısı Modelden bağımsız betimleme; eğriler arasındaki fark etki yönünü gösterir.

Rapor cümlesi: 85 mesane tümörü hastasında nüksler (112 olay, hasta başına en çok 4) Andersen–Gill modeliyle (Efron bağları, kişi kümesine göre sağlam SH) incelendi. Tedavi grubu 2'de nüks hızı grup 1'e göre %37 daha düşük bulundu (HR = 0,63; %95 GA 0,37–1,06; p=0{,}080); başlangıç tümör sayısındaki her birim artış nüks hızını %19 artırdı (HR = 1,19; %95 GA 1,05–1,35; p=0{,}006); en büyük tümör boyutu anlamlı bir etki göstermedi. Olay sırasına göre tabakalı PWP toplam zaman modelinde tedavi etkisi daha küçüktü (HR = 0,72; %95 GA 0,48–1,07) ve WLW sıraya özgü etkiler ilk nükste -0{,}53'ten üçüncü nükste -0{,}70'e kaydı (hiçbiri p<0{,}05).

154.8 Sık hatalar ve tuzaklar

  • Sayım süreci kuralı denetlenir. Aynı kişide örtüşen aralık (başlangıç < önceki bitiş) çalıştırmayı "Aynı denekte örtüşen aralıklar var" iletisiyle durdurur (yo_ortusen); eskiden model kurulur ve katsayı değişirdi. Boşluklu aralıklar geçerlidir (riskte olmama dönemi) ve not edilir (yo_bosluk); WLW boşlukları yok sayar. Satırların sıralı olması şablonca sağlanır (yo_sirasiz: sonuç aynı).
  • WLW gecikmeli girişi desteklemez. Gecikmeli giriş (ilk başlangıç >0) AG'de risk kümesini değiştirir (\hat\beta_{rx} -0{,}4647\to-0{,}3123; yo_gec2_ag), WLW ise herkesi sıfırdan itibaren riskte saydığından sonuç girişten bağımsız kalırdı (-0{,}5260; yo_gec2_wlw). Şablon, ilk aralığı ilk olaydan sonra başlayan denek varsa WLW'de durur; Andersen–Gill ya da PWP kullanılmalıdır.
  • WLW zamana bağlı ortak değişkeni kullanamaz. Kişinin ilk aralığındaki değer kullanılır (yo_zb_wlw) ve şablon bunu "UYARI" satırıyla bildirir; AG ve PWP her aralığın değerini kullanır (yo_zb_ag, yo_zb_pwp_tt). Zamana bağlı değişken varsa AG ya da PWP kullanın.
  • k_en_cok olay sayısından büyükse. PWP'de sonuç K=4 ile aynıdır (yo_pwp_tt_k5, yo_pwp_tt_k20); WLW'de şablon K'yı gözlenen en büyük olay sırasına (=4) indirir ve not yazar, olayı olmayan tabakalar çıkarıldığından NaN katsayı ve SE=0 satırı oluşmaz (yo_wlw_k5, yo_wlw_k20: sonuç K=4 ile aynıdır, 12 satır).
  • Veri özeti WLW'de iki sayı daha yazar. K=2 ile WLW 170 satır ve 76 olayla kurulur (print(m)); özet tablosu özgün veriyi (178 satır, 112 olay) gösterir ve altına "WLW modelinde kullanılan satır" ile "kullanılan olay" satırlarını ekler (yo_wlw_k2). Küçük K'da PWP'nin son tabakası daha büyük sıraları kapsar.
  • Eksik satırlar çıkarılır, sayıları yazılır ve olay sırası kalan satırlardan yeniden kurulur: çıkarılan satır bir olay içeriyorsa deneğin sonraki aralıklarının sırası kayar ve şablon bunu uyarır (yo_eksik: n = 176, olay 110).
  • Kimlik ve düzey sırası. Kimlik metin (P001, yo_id_metin) ya da büyük sayı (yo_id_buyuk: id\cdot10^5+7) olabilir; sonuç aynıdır. Zaman birimi (ay yerine yıl, yo_yil) ve satır sırası katsayıyı değiştirmez. Kimlik, başlangıç, bitiş, olay aynı sütun olamaz.
  • Girdi hataları. Bitiş = başlangıç (yo_sifir), olay 1/2 kodlu (yo_kod12), 2 denek (yo_az_denek: "Eksiksiz en az 10 satır gerekli"), 2 olay (yo_az_olay) iletiyle durur. Metin kodlu olay göstergesini form reddeder.
  • Efron ve Breslow. Çok bağ varsa fark gerçektir (örnekte 112 olay, 37 zaman): AG β(rx) -0{,}4647 ve -0{,}4598; kırılganlık \theta gamma için 1,0751 ve 0,9296 (\%14 fark).
  • Kırılganlık SH'si yaklaşıktır. Tam bilgi matrisinden %0,3–1,4 ayrılır (köşegen yaklaşım) ve \theta yakınsama ölçütüne duyarlıdır (kirilganlik_eps = 1e-8 ile 1,075097, frailty varsayılanıyla 1,075195). Kırılganlıkta sağlam SH yoktur; şablon \theta'nın bağ yöntemine duyarlı olduğunu ve SH'nin yaklaşık olduğunu çıktıda not eder (214–215).
  • Çıktıda iç adlar. print(m) formülde .bas, .bit, .olay, .id iç adlarını gösterir; tablolarda terim adları kullanıcının sütun adlarıdır.
  • MCF eğrisi modeli yansıtmaz ve ilk ortak değişken beşten fazla farklı değer alırsa tek eğridir.

154.9 Uzman soruları

S1. AG, PWP ve WLW'den hangisi seçilir?

Olay hızının ortak etkisi isteniyorsa AG (en basit, olaylar arasında bağımlılık yalnız ortak değişkenlerle). Olayın sırası önemliyse ve k. olay yalnız (k-1) olayı yaşayanlar için tanımlanıyorsa PWP; zaman ölçeği "başlangıçtan itibaren" ise toplam zaman, "önceki olaydan itibaren" ise aralık zamanı. Sıraya özgü etki ve marjinal yorum isteniyorsa WLW; ancak WLW herkesi her sıra için riskte saydığından kişi, öncül olay gerçekleşmeden de sonraki olay için riskte sayılır ve bu yorumu güçleştirebilir. Örnekte tedavi etkisi AG'de -0{,}465, PWP-TT'de -0{,}333, PWP-GT'de -0{,}279, WLW'de ilk nükste -0{,}526'dır: modeller aynı soruyu sormaz.

S2. Sağlam SH ile kırılganlık SH'si arasındaki fark nedir?

Sağlam SH kişi içi bağımlılığı olduğu gibi (model varsaymadan) kümeye göre hesaba katar ve \beta'nın yorumunu değiştirmez (marjinal etki). Kırılganlık modeli bağımlılığı kişiye özgü rastgele çarpanla modeller, \beta koşullu etkidir ve model tabanlı SH verir. Örnekte gamma kırılganlıkla \hat\beta_{rx}=-0{,}608 (SH 0,333), AG ile -0{,}465 (sağlam SH 0,266): koşullu etki marjinal etkiden büyüktür.

S3. Toplam zaman ile aralık zamanı ne zaman?

Toplam zaman (pwp_tt) olayın takvim ya da izlem zamanına bağlı olduğu (yaşlanma, mevsim) durumlarda; aralık zamanı (pwp_gt) olay sonrası "sıfırlanan" süreçlerde (yenilenme: enfeksiyon sonrası iyileşme). Aralık zamanında risk kümesi aynı süre geçirenleri karşılaştırır ve kişi içi bağımlılık yalnız tabakalarla ve sağlam SH ile ele alınır. Örnekte katsayılar farklıdır (-0{,}333 ve -0{,}279 rx için).

S4. `k_en_cok` nasıl seçilir?

Olay sırasına özgü tabakalar yeterli olay taşımalıdır: örnekte sıra 4'te yalnız 14 olay, sıra 3'te 22 vardır. K küçükse daha yüksek sıralar son tabakaya katılır (PWP) ya da kesilir (WLW); K olay sayısından büyükse WLW'de boş tabakalar oluşur (154.8). Pratikte K, gözlenen en büyük olay sırasına ya da olayı 10–20 olandan büyük son sıraya ayarlanır.

S5. Zamana bağlı ortak değişken ve gecikmeli giriş?

AG ve PWP sayım süreci biçiminde zamana bağlı ortak değişkeni ve gecikmeli girişi doğal olarak kabul eder: her aralık kendi değeriyle ve gerçek başlangıçla kodlanır. WLW ikisini de yok sayar (154.8). Kırılganlık modeli de sayım süreci biçimini kullanır ve zamana bağlı değişkeni destekler.

S6. Gamma ve log-normal kırılganlık arasında nasıl seçilir?

Gamma kırılganlık analitik kolaylık sağlar (marjinal tehlike kapalı biçimli) ve kişi içi bağımlılık Kendall \tau=\theta/(\theta+2) ile ölçülür; log-normal kırılganlık rastgele etkili modellerle (karma_etkili_cox, Bölüm 148) uyumludur. Örnekte gamma (Efron) \hat\theta=1{,}075 (\tau=0{,}350), log-normal 0{,}890; \beta kestirimleri yakındır (-0{,}608 ve -0{,}561 rx için). Aralarındaki seçim veriden zor ayrılır; duyarlılık analizi olarak ikisini de çalıştırın.

S7. \theta bağ yöntemine neden bu kadar duyarlı?

Kırılganlık varyansı, bağlı olay zamanlarında Efron ve Breslow olabilirlikleri farklı olduğundan farklı kestirilir; örnekte (112 olay, 37 zaman) gamma \theta 1,075 ve 0,930'dır ve emfrail'in marjinal olabilirlik kestirimi 1,076'dır. Yayımlayacağınız kırılganlık varyansı için bağ yöntemini belirtin ve sonuçların her ikisinde de aynı yönde olduğunu gösterin.

S8. Sağlam varyans kaç denekten itibaren güvenilir?

Sandviç kestiricisi kişi sayısı büyüdükçe tutarlıdır; küçük örneklemde (onlarca kişi) SH'yi küçümseyebilir ve şablon küçük örneklem düzeltmesi içermez. 85 kişide bile number için sağlam SH model SH'den %34 büyüktür (0,0630 ve 0,0471), bu da kişi içi bağımlılığın gerçek olduğunu gösterir.

154.10 Kaynaklar

  • Amorim, L. D. A. F. ve Cai, J. (2015). Modelling recurrent events: A tutorial for analysis in epidemiology. International Journal of Epidemiology, 44(1), 324–333. https://doi.org/10.1093/ije/dyu222
  • Andersen, P. K. ve Gill, R. D. (1982). Cox's regression model for counting processes: A large sample study. The Annals of Statistics, 10(4), 1100–1120. https://doi.org/10.1214/aos/1176345976
  • Breslow, N. (1974). Covariance analysis of censored survival data. Biometrics, 30(1), 89–99. https://doi.org/10.2307/2529620
  • Efron, B. (1977). The efficiency of Cox's likelihood function for censored data. Journal of the American Statistical Association, 72(359), 557–565. https://doi.org/10.1080/01621459.1977.10480613
  • Lin, D. Y. ve Wei, L. J. (1989). The robust inference for the Cox proportional hazards model. Journal of the American Statistical Association, 84(408), 1074–1078. https://doi.org/10.1080/01621459.1989.10478874
  • Prentice, R. L., Williams, B. J. ve Peterson, A. V. (1981). On the regression analysis of multivariate failure time data. Biometrika, 68(2), 373–379. https://doi.org/10.1093/biomet/68.2.373
  • Therneau, T. M. ve Grambsch, P. M. (2000). Modeling survival data: Extending the Cox model. Springer. https://doi.org/10.1007/978-1-4757-3294-8
  • Therneau, T. M., Grambsch, P. M. ve Pankratz, V. S. (2003). Penalized survival models and frailty. Journal of Computational and Graphical Statistics, 12(1), 156–175. https://doi.org/10.1198/1061860031365
  • Vaupel, J. W., Manton, K. G. ve Stallard, E. (1979). The impact of heterogeneity in individual frailty on the dynamics of mortality. Demography, 16(3), 439–454. https://doi.org/10.2307/2061224
  • Wei, L. J., Lin, D. Y. ve Weissfeld, L. (1989). Regression analysis of multivariate incomplete failure time data by modeling marginal distributions. Journal of the American Statistical Association, 84(408), 1065–1073. https://doi.org/10.1080/01621459.1989.10478873
  • Therneau, T. M. (2026). survival: Survival analysis (R paketi, sürüm 3.8-6). https://CRAN.R-project.org/package=survival
  • Balan, T. A. ve Putter, H. (2019). frailtyEM: An R package for estimating semiparametric shared frailty models. Journal of Statistical Software, 90(7), 1–29. https://doi.org/10.18637/jss.v090.i07
  • Balan, T. A. ve Putter, H. (2020). A tutorial on frailty models. Statistical Methods in Medical Research, 29(11), 3424–3454. https://doi.org/10.1177/0962280220921889
  • Therneau, T. M. (2026). coxme: Mixed effects Cox models (R paketi, sürüm 2.2-22). https://CRAN.R-project.org/package=coxme (bağımsız doğrulamada başvuru olarak).
  • R Core Team (2026). R: a language and environment for statistical computing. R Foundation for Statistical Computing.