MerQuR+Başvuru Kitabı

130. Parametrik Sağkalım (AFT)

Analiz kimliği: parametric_survival · Menü adı: Parametrik Sağkalım (AFT) · Panel ve motor: gui/panels/analyses/parametric_survival.py (form 613–685, read_options 688–702, execute 707–1003; lifelines WeibullAFTFitter, LogNormalAFTFitter, LogLogisticAFTFitter; üstel, genelleştirilmiş gamma ve Gompertz için kendi en çok olabilirlik motoru _fit_own 502–566, _execute_own 1237–1327) · Ek çıktılar: _q7_extras (1128–1234) · Tanı: _fit_diagnostics (1367–1398) · Çağıran: stats_panel.py:7365–7404

130.1 Ne işe yarar

Parametrik sağkalım modeli, olay zamanının dağılımını açıkça varsayar ve kovaryatların sürenin kendisini kaç kat uzattığını ya da kısalttığını kestirir. Cox modeli tehlikeyi (anlık olay hızını) çarpımsal olarak değiştirir ve temel tehlikenin biçimini bırakır; hızlandırılmış başarısızlık zamanı (accelerated failure time, AFT) modeli ise zaman eksenini germe ya da sıkıştırma olarak düşünür. Cevapladığı soru: "Diyabetli diyaliz hastalarının sağkalım süresi, diyabeti olmayanlarınkinin yüzde kaçıdır?"

\ln T_i=\mathbf x_i^{\top}\boldsymbol\beta+\sigma W_i
  • T_i: i. hastanın olay zamanı (Tıp örneğinde ölüm ayı).
  • \mathbf x_i=(1,x_{i1},\dots,x_{ip})^{\top}: başına sabit terim için 1 eklenmiş kovaryat vektörü.
  • \boldsymbol\beta: log-zaman ölçeğindeki etkiler; e^{\beta_k} zaman oranıdır (time ratio, TR).
  • \sigma>0: ölçek parametresi; log-zamandaki "gürültünün" genişliği.
  • W_i: standart hata dağılımı. Seçilen dağılım W'yi belirler: uç değer (Weibull, üstel), normal (log-normal), lojistik (log-lojistik).

Model eşdeğer olarak S(t\mid\mathbf x)=S_0\big(t\,e^{-\mathbf x^{\top}\boldsymbol\beta}\big) yazılır: kovaryatı olan bir hastanın t anındaki sağkalımı, referans hastanın t\,e^{-\mathbf x^{\top}\boldsymbol\beta} anındaki sağkalımına eşittir. TR =0{,}9 ise saat diyabetli hastada %11 daha hızlı işler; her yüzdelik süre %10 kısadır.

Ne zaman kullanılır?

  • Sonuç bir olay zamanıdır, sağdan sansür vardır ve süre üzerinden konuşmak istenir (medyan sağkalım, yüzdelik süreler, belirli bir ana kadar sağkalım olasılığı).
  • Tehlikenin zamanla nasıl değiştiği (artan, azalan, tepe yapan) ilgi konusudur.
  • Uzun izlem sonrası tahmin (ekstrapolasyon) gerekir; Cox modeli gözlenen son olay zamanının ötesine tahmin vermez.
  • Orantılı tehlike varsayımı tutmuyorsa; log-normal ve log-lojistik modellerin tehlike oranı zamanla değişir.

Ne zaman kullanılmaz?

  • Dağılım biçimi hakkında hiçbir varsayım yapılmak istenmiyorsa ve tek soru tehlike oranıysa: Cox Regresyonu (Bölüm 129).
  • Yalnız sağkalım eğrisi ve grup karşılaştırması: Kaplan-Meier Sağkalım Analizi (Bölüm 128).
  • Birbirini dışlayan birden çok olay türü: Rakip Riskler (Bölüm 131).
  • Olay zamanı yalnız bir aralıkta biliniyorsa (iki vizit arası): Aralık Sansürlü Sağkalım (Bölüm 134); orada da aynı AFT dağılımları vardır.
  • Kovaryat zamanla değişiyorsa: Zamana Bağlı Cox Regresyonu (Bölüm 132).
  • Kümelenmiş veri (hastane, aile): Küme-sağlam Cox (Bölüm 135).

Sık karıştırılan analizler. Tobit regresyon (Bölüm 110), sabit sınırda sansürlü normal bir sonucun modelidir; log-normal AFT ise her gözlemin kendi sansür zamanı olan, log-zaman ölçeğinde normal bir modeldir. Weibull AFT ile Weibull orantılı tehlike (PH) modeli aynı modeldir, yalnız parametreleri farklıdır (130.5.5); Weibull dışındaki AFT modellerinde böyle bir eşdeğerlik yoktur. Gompertz seçeneği bir AFT modeli değil, PH modelidir ve tehlike oranı verir.

130.2 Varsayımlar ve veri türü

Varsayım Ne demek MerQur'da nasıl denetlenir
Süre pozitif \ln T tanımlı olmalı. Negatif süre hata (:767–769); süresi 0 olan kayıtlar çıkarılır ve uyarıda sayılır (:773–776, :811–814).
Olay 0/1 1 olay, 0 sağdan sansür. Başka değer hata (:791–795); çok değerli durum sütununda "Olay kodları" alanı kullanılır (:779–782).
Bilgisiz sansür Sansür zamanı, olay zamanından bağımsız. Denetlenmez.
Dağılım doğru W seçilen ailedendir. KM–model karşılaştırma tablosu, Cox–Snell artıkları ve isteğe bağlı AIC/BIC tablosu (130.5.7).
AFT yapısı Kovaryat tüm yüzdelik süreleri aynı oranda değiştirir; \sigma kovaryatlara bağlı değildir. Denetlenmez.
Zamanla değişmeyen kovaryat Başlangıç ölçümü. Denetlenmez.

Eksik değer. Süre, olay ve kovaryatlardan birinde eksik olan satır çıkarılır (liste bazında; :766, :785, :807). Kategorik kovaryat için önce eksik satırlar, sonra kukla sütunlar süzülür.

Uç durumlar.

  • Analize giren gözlem sayısı 30'dan azsa hata: "Yetersiz n" (:809–810). Olay sayısı 10'dan azsa hata (:817–820). R survreg'de böyle bir alt sınır yoktur; bu eşikler MerQur'un tasarım tercihidir.
  • Olay oranı %10'un altındaysa uyarı (:957–962). Anlamlı bir kovaryatın TR'si 5'ten büyük ya da 0,2'den küçükse "Aşırı TR değerleri" uyarısı (:963–972).
  • 3–5 farklı tamsayı değeri olan sayısal kovaryat (ör. evre 1–4) tek doğrusal etki olarak modellenir ve "kategorik bir kod olabilir" uyarısı yazılır (encode_covariates, :239–241).
  • Ortak değişken seçilmezse yalnız sabitli model kurulur; LR testi bu durumda tanımsızdır ve verilmez (:1088–1089).
  • Genelleştirilmiş gammada olabilirlik \lvert Q\rvert\to\infty, \sigma\to0 yönünde artıyorsa (iç ML noktası yok) SH ve GA verilmez, uyarı yazılır ve dağılım karşılaştırmasında "en iyi" sayılmaz (:549–565, :1252–1257).

130.3 Parametreler

Form parametric_survival.py:613–685; seçenekler read_options (:688–702).

Arayüz adı Varsayılan Ne yapar Sonucu nasıl değiştirir
Süre sütunu: ilk sayısal sütun Olay ya da sansür zamanı. —
Olay (0/1): ilk ikili sütun 1 olay, 0 sansür. —
Olay kodları (isteğe bağlı): boş Çok değerli durum sütununda olay sayılacak kodlar (ör. 1, 3); öteki dolu değerler sansür. Olay tanımı.
Kovaryatlar: seçim yok Sayısal sütunlar olduğu gibi; metin sütunları K-1 kukla. Model.
Kategorik (faktör) değişkenler boş Sayıyla kodlanmış kategorik sütunlar (virgülle) kukla kodlanır. Kodlama.
Dağılım: Weibull Weibull, Log-Normal, Log-Logistic, Exponential, Generalized Gamma, Gompertz (PH). Model; yorum (TR ya da HR).
Referans düzeyler: boş grp=B; evre=I biçiminde kategorik referans. Boşsa düzey sırasındaki ilk düzey (tanımlı sıra; sayı içeren etiketlerde doğal sıra; aksi hâlde verideki ilk görülme sırası). Kukla katsayılar.
Güven Düzeyi: %95 TR (ya da HR) ve ek parametre GA'ları. GA.
Ek çıktılar: Dağılımlar arası AIC/BIC tablosu kapalı Altı dağılımı aynı kovaryatlarla kurar. Ek tablo.
Ek çıktılar: Weibull PH parametrizasyonu (HR, σ) kapalı Yalnız Weibull'da HR ve PH ölçeği. Ek tablo.
Ek çıktılar: Tahmini yüzdelikler ve S(t) (kovaryat ortalamalarında) kapalı %10, %25, %50, %75, %90 süreleri ve standart zamanlarda S(t\mid\bar{\mathbf x}). Ek tablo.
Grafik türü / 3B yüzey değişkeni: varsayılan / ilk sürekli 3B sağkalım yüzeyi S(t\mid x). Yalnız grafik.

Neden iki ayrı medyan?

Çıktıdaki "kovaryat medyanlarında" medyanı, lifelines'ın median_survival_time_ değeridir: sayısal kovaryatların medyanında tahmin edilir (:929–939). İkili bir kovaryatın medyanı 0 ya da 1'dir; Tıp örneğinde diabetes medyanı 0 olduğu için bu değer diyabetsiz hastanın medyanıdır (40,30 ay). "Kovaryat ortalamalarında" medyanı ise R predict(survreg, newdata = ortalamalar, type = "quantile", p = 0,5) ile aynıdır (:940–947); burada diabetes = 0,47 alınır (38,27 ay). İkisi farklı sorulara cevaptır; raporda hangisinin kullanıldığı yazılmalıdır.

130.4 Tıp örneği

Dosya: english/datasets/Tip/88_aft_weibull_diyaliz.xlsx (Türkçe kopya samples/Tum_Analiz_Tip/88_aft_weibull_diyaliz.xlsx). Değişkenler VIDEO_SCRIPT_TR.txt #88'den alınmıştır.

Değişken Rol Tür Özet
duration_month Süre sürekli (ay) ort. 32,75; SS 24,68; 2,0–166,2; medyan 27,85
death Olay 0/1 130 ölüm, 70 sansür (%65 olay)
diabetes Kovaryat 0/1 94 diyabetli (59 ölüm), 106 diyabetsiz (71 ölüm)

n ve eksik değer: 200 diyaliz hastası, eksik değer yok. 200 sürenin 179'u farklıdır; bağ az olduğu için parametrik ve Cox kestirimleri yakın çıkar.

Klinik soru: Diyabet, diyaliz hastalarının sağkalım süresini kısaltıyor mu? Kısaltıyorsa kaç kat?

Seçilen ayarlar: Dağılım Weibull, kovaryat diabetes, %95; üç ek çıktı açık. Ek çalıştırmalar: log-normal, log-lojistik, üstel, genelleştirilmiş gamma, Gompertz; %90 GA; ortak değişkensiz model.

130.5 Formüller ve hesap adımları

MerQur'un hesap sırası: satır temizliği → olay kodlaması → kategorik kovaryatlara kukla kodlama → dağılıma göre en çok olabilirlik (ML) kestirimi (Weibull, log-normal, log-lojistik lifelines ile; üstel, genelleştirilmiş gamma ve Gompertz kendi motoruyla) → Wald testleri ve TR GA'ları → log-olabilirlik, AIC, BIC → yalnız sabitli modelle LR testi → medyanlar → isteğe bağlı Weibull PH, dağılım tablosu, yüzdelikler → KM–model karşılaştırması ve Cox–Snell artıkları.

130.5.1 Dağılımlar

Dağılım W'nin dağılımı S(t\mid\mathbf x) Tehlikenin biçimi MerQur'daki şekil satırı
Weibull standart uç değer (minimum): f_W(w)=e^{w-e^{w}} \exp\big[-(t/\lambda)^{\rho}\big], \lambda=e^{\mathbf x^{\top}\boldsymbol\beta}, \rho=1/\sigma \rho>1 artan, \rho<1 azalan, \rho=1 sabit \rho
Üstel uç değer, \sigma=1 \exp(-t/\lambda) sabit yok
Log-normal N(0{,}1) 1-\Phi\big((\ln t-\mathbf x^{\top}\boldsymbol\beta)/\sigma\big) önce artar, sonra azalır \sigma
Log-lojistik standart lojistik \big[1+(t/\alpha)^{\beta_s}\big]^{-1}, \alpha=e^{\mathbf x^{\top}\boldsymbol\beta}, \beta_s=1/\sigma \beta_s\le1 azalan, \beta_s>1 tepe yapar \beta_s
Genelleştirilmiş gamma Prentice (1974) log-gamma, şekil Q Q=1 Weibull, Q=0 log-normal, Q=\sigma gamma esnek \sigma, Q
Gompertz (PH) — \exp\big[-\tfrac{b}{a}(e^{at}-1)\big], b=e^{\mathbf x^{\top}\boldsymbol\beta} a>0 üstel artan a

Şekil satırı dağılıma göre farklı parametreyi gösterir

"Dağılım parametresi" satırı Weibull'da \rho=1/\sigma, log-lojistikte \beta_s=1/\sigma, log-normalde ise \sigma'nın kendisidir (lifelines adlandırması rho_, beta_, sigma_; :68–80). R survreg her üçünde de Scale =\sigma basar. Tıp örneğinde Weibull için MerQur 1,4765, R Scale 0,6773 yazar; ikisi aynı modeldir (1/0{,}6773=1{,}4765).

130.5.2 Olabilirlik

\ell(\boldsymbol\beta,\sigma)=\sum_{i=1}^{n}\Big\{\delta_i\big[\ln f_W(z_i)-\ln\sigma-\ln t_i\big]+(1-\delta_i)\ln S_W(z_i)\Big\},\qquad z_i=\frac{\ln t_i-\mathbf x_i^{\top}\boldsymbol\beta}{\sigma}
  • \delta_i: olay göstergesi (1 ölüm, 0 sansür).
  • f_W, S_W: standart hata dağılımının yoğunluğu ve sağkalım fonksiyonu.
  • -\ln\sigma-\ln t_i: W'den T'ye değişken dönüşümünün Jakobyeni (dt ölçeğinde yoğunluk). R survreg ve lifelines bu terimi içerir; bu yüzden log-olabilirlik ve AIC aynı sayıdır.
  • Olayı gözlenen hasta f(t_i), sansürlü hasta S(t_i) katkısı verir.

Gompertz'te olabilirlik doğrudan tehlikeyle yazılır: \ell=\sum_i\big[\delta_i(\eta_i+a t_i)-e^{\eta_i}(e^{a t_i}-1)/a\big], \eta_i=\mathbf x_i^{\top}\boldsymbol\beta (_own_logparts, :361–369).

Koddaki tercih: iki motor

Weibull, log-normal ve log-lojistik lifelines AFT sınıflarıyla kestirilir (:830–849); üç dağılımda da ftol 10^{-14} verilir (_aft_fit_options, :1016–1024); böylece kestirim ML noktasına kadar sürdürülür ve R survreg ile 10^{-7} içinde eşleşir. Üstel, genelleştirilmiş gamma ve Gompertz için kendi motor çalışır: çoklu başlangıçtan BFGS, ardından Nelder–Mead, en iyi adayın Newton cilası (_fit_own, :501–565). Genelleştirilmiş gammada Q=0, 1, −1 kısıtlı çözümleri de başlangıç yapılır (_gg_extra_starts, :479–498). Kovaryat sütunları ada göre sıralanıp kestirilir ve geri dizilir; sonuç formdaki sıradan bağımsızdır (:513–524).

Kestirim, skor vektörü sıfırlanana dek sürdürülür; Weibull'da bunun kolay bir denetimi vardır: sabit terimin skor denklemi \sum_i(e^{z_i}-\delta_i)=0 olduğundan Cox–Snell artıklarının toplamı tam olarak olay sayısına eşittir (130.5.7).

130.5.3 Kovaryans, Wald testi ve TR

\widehat{\mathbf V}=\Big[-\nabla^2\ell(\hat{\boldsymbol\theta})\Big]^{-1},\qquad z_k=\frac{\hat\beta_k}{\SH_k},\qquad \text{TR}_k=e^{\hat\beta_k},\qquad \text{GA}=\Big[e^{\hat\beta_k-z_{1-\alpha/2}\SH_k},\ e^{\hat\beta_k+z_{1-\alpha/2}\SH_k}\Big]
  • \hat{\boldsymbol\theta}=(\hat{\boldsymbol\beta},\ln\hat\sigma): ölçek log ölçeğinde parametrelenir; \sigma'nın kendi GA'sı e^{\ln\hat\sigma\pm z\,\SH(\ln\hat\sigma)} biçiminde asimetriktir.
  • \nabla^2\ell: gözlenen bilgi matrisi (Hessian). lifelines'ta otomatik türev, üstelde analitik (\mathbf X^{\top}\operatorname{diag}(t_ie^{-\eta_i})\mathbf X, :442–450), genelleştirilmiş gamma ve Gompertz'te Richardson dış değerlemeli sayısal türev (_num_grad_hess, :430–439).
  • p=2\,[1-\Phi(\lvert z_k\rvert)]; sabit terim de tabloda TR ile verilir (e^{\hat\beta_0}, referans hastanın ölçek parametresi \lambda).

Neden \sigma'nın logu?

\sigma>0 kısıtını kaldırmak için kestirim \tau=\ln\sigma üzerinde yapılır. Wald GA'sı \tau ölçeğinde simetrik kurulup geri dönüştürülür; böylece alt sınır hiçbir zaman sıfırın altına düşmez ve küçük örneklemde normal yaklaşım daha iyidir. R survreg de Log(scale) satırını aynı biçimde verir.

130.5.4 Model uyumu ve LR testi

\text{AIC}=-2\ell+2k,\qquad \text{BIC}=-2\ell+k\ln n,\qquad \text{LR}=2\big[\ell(\hat{\boldsymbol\theta})-\ell_0\big]\sim\chi^2_{p}
  • k: tüm parametre sayısı (sabit + kovaryatlar + ölçek/şekil); Weibull'da tek kovaryatla k=3, üstelde 2, genelleştirilmiş gammada 4.
  • n: tüm gözlemler (olay sayısı değil); R BIC(survreg) ile aynı (:921–927).
  • \ell_0: aynı dağılımla yalnız sabitli modelin log-olabilirliği; p: kovaryat sütunu sayısı (:1086–1098). R survreg özetindeki "Chisq" ile aynıdır.

130.5.5 Weibull'un PH yüzü

Weibull AFT modeli orantılı tehlike modeli olarak da yazılabilir:

h(t\mid\mathbf x)=\lambda_{\text{PH}}\,\rho\,t^{\rho-1}\exp(\mathbf x^{\top}\boldsymbol\gamma),\qquad \gamma_k=-\frac{\beta_k}{\sigma}=-\beta_k\rho,\qquad \lambda_{\text{PH}}=e^{-\beta_0\rho}
\operatorname{Var}(\hat\gamma_k)\approx\rho^2\operatorname{Var}(\hat\beta_k)+(\hat\beta_k\rho)^2\operatorname{Var}(\ln\hat\rho)+2\rho(\hat\beta_k\rho)\operatorname{Cov}(\hat\beta_k,\ln\hat\rho)
  • \gamma_k: log tehlike oranı; \text{HR}_k=e^{\gamma_k}.
  • İkinci satır delta yöntemidir; \partial\gamma_k/\partial\beta_k=-\rho, \partial\gamma_k/\partial\ln\rho=-\beta_k\rho (:1100–1136).
  • AFT katsayısıyla HR'nin işareti ters, büyüklüğü \rho kadar farklıdır: süreyi kısaltan kovaryat (\beta<0) tehlikeyi artırır (\gamma>0).

Neden bu dönüşüm yalnız Weibull'da var?

Bir modelin hem AFT hem PH olması için temel dağılımın Weibull olması gerekir ve yeterlidir. Log-normal ve log-lojistikte iki hastanın tehlike oranı zamanla değişir; bu modellerde tek bir HR yoktur. MerQur bu yüzden kutuyu yalnız Weibull'da uygular (:1101).

130.5.6 Yüzdelik süreler

t_p(\mathbf x)=\exp\big(\mathbf x^{\top}\hat{\boldsymbol\beta}+\hat\sigma\,w_p\big),\qquad w_p=\begin{cases}\ln[-\ln(1-p)] & \text{Weibull, üstel}\\ \Phi^{-1}(p) & \text{log-normal}\\ \ln[p/(1-p)] & \text{log-lojistik}\end{cases}
  • t_p: hastaların %100p'sinin olayı yaşadığı süre; p=0{,}5 medyandır.
  • Katsayılar kovaryat adıyla eşlenir (_quantile_any, :1052–1073); lifelines parametreleri alfabetik sıraladığından konumla eşleme yanlış olurdu.
  • Genelleştirilmiş gamma ve Gompertz'te ters dağılım fonksiyonu doğrudan çözülür (_own_quantile, :585–607).

130.5.7 Dağılım uygunluğu

KM ve marjinal model eğrisi. Standart zaman noktalarında Kaplan–Meier \hat S(t) ile modelin marjinal eğrisi \bar S(t)=\frac1n\sum_iS(t\mid\mathbf x_i) yan yana yazılır (_fit_diagnostics, :1316–1347). Marjinal eğri, her hastanın kendi kovaryatlarındaki sağkalımın ortalamasıdır; KM ile karşılaştırılabilir olan budur (kovaryat ortalamasındaki eğri değil).

Cox–Snell artıkları. r_i=-\ln S(t_i\mid\mathbf x_i). Model doğruysa r_i'ler sansürlü bir \text{Üstel}(1) örneklemi gibi davranır; artıkların Nelson–Aalen kümülatif tehlikesi 45° doğrusu üzerinde durmalıdır (grafiğin üçüncü paneli).

AIC tablosu. "Dağılımlar arası AIC/BIC tablosu" altı dağılımı aynı kovaryatlarla kurar ve en küçük AIC'yi yıldızlar (:1138–1167). Sınır çözümü ya da pozitif tanımlı olmayan Hessian'lı model "(!)" ile işaretlenir ve en iyi seçiminde yer almaz.

Neden genelleştirilmiş gamma bir "hakem"dir?

Genelleştirilmiş gamma, Weibull (Q=1), log-normal (Q=0) ve gamma (Q=\sigma) modellerini iç içe içerir (Cox ve ark., 2007). \hat Q'nun GA'sı 1'i kapsıyorsa veri Weibull'la, 0'ı kapsıyorsa log-normalle uyumludur; iç içe modeller arasında LR testi de kurulabilir. Tıp örneğinde \hat Q=1{,}2012 (SH 0,2280; GA 0,754–1,648): Weibull reddedilmez, log-normal reddedilir.

130.6 Elle hesap: Tıp verisinde sayısal yürüyüş

Ara değerler dogrulama/parametric_survival/elle_hesap.py ile, MerQur ve lifelines çağrılmadan numpy ile hesaplanmıştır. Parametre sırası: sabit, diabetes, \tau=\ln\sigma.

Adım 1 — Skor ve Hessian. Weibull'da \ln f_W(z)=z-e^{z}, \ln S_W(z)=-e^{z}; olabilirlik \ell=\sum_i\big[\delta_i(z_i-\tau-\ln t_i)-e^{z_i}\big] biçimine iner.

\frac{\partial\ell}{\partial\boldsymbol\beta}=\frac1\sigma\sum_i\big(e^{z_i}-\delta_i\big)\mathbf x_i,\qquad \frac{\partial\ell}{\partial\tau}=\sum_i\big[(e^{z_i}-\delta_i)z_i-\delta_i\big]
  • e^{z_i}-\delta_i: gözlemin "artık olay sayısı"; sansürlüde e^{z_i}, ölende e^{z_i}-1.
  • Hessian aynı terimlerin türevidir: \partial^2\ell/\partial\boldsymbol\beta\partial\boldsymbol\beta^{\top}=-\sigma^{-2}\sum_ie^{z_i}\mathbf x_i\mathbf x_i^{\top} (betik weibull_newton).

Adım 2 — Newton–Raphson. Başlangıç noktası yalnız sabitli üstel modelin çözümüdür: \beta_0=\ln(\sum t_i/\sum\delta_i)=\ln(6550{,}6/130)=3{,}919777, \beta_1=0, \tau=0.

Yineleme b_0 b_{\text{diabetes}} \tau=\ln\sigma \ell Skor (b_0; b_1; \tau)
0 3,919777 0 0 −639,571072 0; −3,1408; −64,3196
1 3,926898 −0,224203 −0,547222 −630,492610 34,6392; 27,8995; 46,8854
2 3,934426 −0,150106 −0,422798 −625,834413 9,3427; 7,3535; 8,3257
3 3,943588 −0,113777 −0,392551 −625,514312 0,8381; 0,6765; 0,6718
4 3,944476 −0,109557 −0,389673 −625,511528 0,0080; 0,0067; 0,0063
5 3,944483 −0,109513 −0,389645 −625,511528 0; 0; 0

Sıfırıncı satırdaki \ell=-639{,}571072, yalnız sabitli üstel modelin log-olabilirliğidir: \sigma=1 ve \beta_1=0 iken model tam olarak odur.

Adım 3 — Bilgi matrisi ve SH.

-\nabla^2\ell=\begin{pmatrix}283{,}3904 & 128{,}6156 & 9{,}6423\\ 128{,}6156 & 128{,}6156 & 2{,}1465\\ 9{,}6423 & 2{,}1465 & 222{,}9230\end{pmatrix},\qquad \widehat{\mathbf V}=\begin{pmatrix}0{,}006472 & -0{,}006468 & -0{,}000218\\ -0{,}006468 & 0{,}014241 & 0{,}000143\\ -0{,}000218 & 0{,}000143 & 0{,}004494\end{pmatrix}

İkinci satırın ilk iki elemanı eşittir: diabetes 0/1 olduğundan \sum e^{z_i}x_i=\sum e^{z_i}x_i^2.

Adım 4 — Katsayı tablosu. \hat\sigma=e^{-0{,}389645}=0{,}677297, \hat\rho=1/\hat\sigma=1{,}476457; z_{0{,}975}=1{,}959964.

Terim b SH z p TR %95 GA (TR)
Sabit 3,944483 0,080446 49,033 <0,0001 51,649627 [44,115532; 60,470403]
diabetes −0,109513 0,119334 −0,918 0,358775 0,896270 [0,709352; 1,132443]

Örnek: \text{TR}=e^{-0{,}109513}=0{,}896270; GA e^{-0{,}109513\pm1{,}959964\times0{,}119334}=[0{,}70935;\ 1{,}13244]. Diyabetli hastanın her yüzdelik süresi diyabetsizinkinin %89,6'sıdır (%10,4 kısa), ama fark anlamlı değildir.

Adım 5 — Uyum ve LR testi. \ell=-625{,}511528; \text{AIC}=1251{,}023056+6=1257{,}023056; \text{BIC}=1251{,}023056+3\ln200=1266{,}918008. Yalnız sabitli Weibull: \ell_0=-625{,}927639 (\hat b_0=3{,}896788, \hat\rho=1{,}469401). \text{LR}=2(-625{,}511528+625{,}927639)=0{,}832223, \chi^2_1 ile p=0{,}361631.

Adım 6 — Medyanlar ve yüzdelikler. Weibull'da w_{0{,}5}=\ln\ln2=-0{,}366513.

  • Kovaryat medyanında (diabetes = 0): t_{0{,}5}=\exp(3{,}944483-0{,}677297\times0{,}366513)=40{,}295705 ay.
  • Kovaryat ortalamasında (diabetes = 0,47): \exp(3{,}944483-0{,}109513\times0{,}47-0{,}248239)=38{,}274111 ay.
Yüzdelik (\bar x) %10 %25 %50 %75 %90
Süre (ay) 10,685042 21,097783 38,274111 61,205692 86,306027

Adım 7 — PH parametrizasyonu. \hat\gamma=0{,}109513\times1{,}476457=0{,}161691; delta yöntemiyle \SH=0{,}176718; \text{HR}=1{,}175498, %95 GA [0{,}831380;\ 1{,}662050], p=0{,}360207. \lambda_{\text{PH}}=e^{-3{,}944483\times1{,}476457}=0{,}002956. Aynı veride Cox modeli (Efron) \text{HR}=e^{0{,}144901}=1{,}1559 verir; Weibull PH ile Cox yakın ama aynı değildir, çünkü Weibull temel tehlikenin biçimini de kestirir.

Adım 8 — Uygunluk. Cox–Snell artıklarının toplamı \sum_ie^{z_i}=130{,}000000, olay sayısına eşittir (Adım 1'deki sabit terim skorunun sıfır olması). KM ile marjinal model:

Ay 12 36 60 120
KM \hat S(t) 0,880249 0,556492 0,274090 0,015510
Weibull \bar S(t) 0,882134 0,530486 0,260636 0,024401
  1. ayda fark −0,026'dır; bu büyüklükte sistematik olmayan farklar beklenir.

Adım 9 — Dağılımlar arası karşılaştırma.

Dağılım k \ell AIC \DeltaAIC diabetes b (SH) Şekil/ölçek
Weibull 3 −625,5115 1257,02 0 −0,1095 (0,1193) \rho=1{,}4765
Gen. gamma 4 −625,1107 1258,22 1,20 −0,1109 (0,1144) \sigma=0{,}6335, Q=1{,}2012
Gompertz (PH) 3 −628,2030 1262,41 5,38 log HR 0,1965 (0,1789) a=0{,}01474
Log-lojistik 3 −634,5159 1275,03 18,01 −0,1403 (0,1423) \beta_s=1{,}8978
Log-normal 3 −638,2996 1282,60 25,58 −0,1700 (0,1525) \sigma=0{,}9717
Üstel 2 −639,4169 1282,83 25,81 −0,0980 (0,1762) —

Üstel ile Weibull iç içedir (\rho=1): \text{LR}=2(-625{,}5115+639{,}4169)=27{,}81, \chi^2_1 ile p<0{,}0001; tehlike zamanla artmaktadır.

Şekil 130.1. Solda Kaplan–Meier ile üç AFT modelinin marjinal sağkalım eğrisi; sağda kovaryat ortalamasında tehlike fonksiyonları (Tıp #88). Weibull tehlikesi tekdüze artar; log-normal ve log-lojistik tehlikeler tepe yapıp düşer.

130.6.1 Doğrulama: MerQur, Python ve R

MerQur değerleri execute() sonucundan alınmıştır; round ve p_yuvarla yalnız bellekte etkisizleştirilmiştir. R: 4.5.3, survival::survreg (rel.tolerance = 1e-12), genelleştirilmiş gamma ve Gompertz için flexsurv::flexsurvreg (reltol = 1e-15); PH dönüşümü ve yüzdelikler survreg katsayılarından aynı formüllerle. Python başvurusu kendi olabilirliği, analitik skoru ve Newton–Raphson'udur. "⚑" ile işaretli satırlarda bugünkü MerQur değeri karşılaştırmadan çıkarılmış, Python ile R arasındaki fark yazılmıştır.

Büyüklük MerQur Python (bağımsız) R 4.5.3 En büyük fark Durum
b sabit 3,944483 3,944483 3,944483 1,7e−08 ✓
SH sabit 0,080446 0,080446 0,080446 3,5e−09 ✓
z sabit 49,032739 49,032741 49,032741 1,9e−06 ✓
TR sabit 51,649628 51,649627 51,649627 8,8e−07 ✓
TR GA alt sabit 44,115532 44,115532 44,115532 4,5e−07 ✓
TR GA üst sabit 60,470405 60,470403 60,470403 1,5e−06 ✓
b diabetes −0,109513 −0,109513 −0,109513 2,3e−08 ✓
SH diabetes 0,119334 0,119334 0,119334 4,3e−09 ✓
z diabetes −0,917702 −0,917702 −0,917702 1,6e−07 ✓
TR diabetes 0,896270 0,896270 0,896270 2,1e−08 ✓
TR GA alt diabetes 0,709352 0,709352 0,709352 2,2e−08 ✓
TR GA üst diabetes 1,132443 1,132443 1,132443 1,7e−08 ✓
p diabetes 0,358775 0,358775 0,358775 8,4e−08 ✓
Ölçek \sigma 0,677297 0,677297 0,677297 2,2e−08 ✓
Şekil \rho = 1/\sigma 1,476457 1,476457 1,476457 4,7e−08 ✓
\ell(\hat\beta,\hat\sigma) −625,511528 −625,511528 −625,511528 3,4e−13 ✓
AIC 1257,023056 1257,023056 1257,023056 4,8e−12 ✓
BIC 1266,918008 1266,918008 1266,918008 1,4e−12 ✓
\ell_0 (yalnız sabit) −625,927639 −625,927639 −625,927639 8,0e−11 ✓
LR \chi^2_1 0,832223 0,832223 0,832223 1,6e−10 ✓
p (LR) 0,361631 0,361631 0,361631 4,6e−11 ✓
Medyan (kovaryat medyanında) 40,295705 40,295705 40,295705 3,7e−07 ✓
Medyan (kovaryat ortalamasında) 38,274111 38,274111 38,274111 6,5e−08 ✓

Ek çalıştırmalar:

Weibull PH parametrizasyonu (delta yöntemi; R: survreg katsayıları ve vcov'dan aynı dönüşüm)

Büyüklük MerQur Python (bağımsız) R 4.5.3 En büyük fark Durum
log HR diabetes 0,161692 0,161691 0,161691 2,9e−08 ✓
SH (delta) 0,176718 0,176718 0,176718 5,1e−10 ✓
HR 1,175498 1,175498 1,175498 3,4e−08 ✓
HR GA alt 0,831380 0,831380 0,831380 2,3e−08 ✓
HR GA üst 1,662050 1,662050 1,662050 4,9e−08 ✓
p 0,360207 0,360207 0,360207 8,4e−08 ✓
\lambda (PH ölçeği) 0,002956 0,002956 0,002956 4,8e−10 ✓
\sigma GA alt 0,593906 0,593906 0,593906 1,7e−08 ✓
\sigma GA üst 0,772397 0,772397 0,772397 2,8e−08 ✓

Kovaryat ortalamasında yüzdelikler ve S(t); KM ve marjinal model eğrisi; Cox–Snell toplamı

Büyüklük MerQur Python (bağımsız) R 4.5.3 En büyük fark Durum
%10 yüzdelik 10,685042 10,685042 10,685042 4,6e−07 ✓
%25 yüzdelik 21,097783 21,097783 21,097783 4,4e−07 ✓
%50 yüzdelik 38,274111 38,274111 38,274111 6,5e−08 ✓
%75 yüzdelik 61,205692 61,205692 61,205692 8,2e−07 ✓
%90 yüzdelik 86,306029 86,306027 86,306027 2,1e−06 ✓
S(12\mid\bar x) 0,882449 0,882449 0,882449 6,3e−09 ✓
S(36\mid\bar x) 0,530885 0,530885 0,530885 1,8e−09 ✓
S(60\mid\bar x) 0,260237 0,260237 0,260237 6,6e−09 ✓
S(120\mid\bar x) 0,023614 0,023614 0,023614 4,6e−09 ✓
KM S(12) 0,880249 0,880249 0,880249 6,7e−16 ✓
KM S(36) 0,556492 0,556492 0,556492 6,7e−16 ✓
KM S(60) 0,274090 0,274090 0,274090 4,4e−16 ✓
KM S(120) 0,015510 0,015510 0,015510 4,9e−17 ✓
Marjinal model S(12) 0,882134 0,882134 0,882134 6,5e−09 ✓
Marjinal model S(36) 0,530486 0,530486 0,530486 2,0e−09 ✓
Marjinal model S(60) 0,260636 0,260636 0,260636 6,7e−09 ✓
Marjinal model S(120) 0,024401 0,024401 0,024401 4,9e−09 ✓
Cox–Snell artıkları toplamı 129,999999 130,000000 130 1,5e−06 ✓

Öteki dağılımlar (R: survreg; gen. gamma ve Gompertz için flexsurvreg, reltol = 10−15)

Büyüklük MerQur Python (bağımsız) R 4.5.3 En büyük fark Durum
Log-normal: b sabit 3,624156 3,624156 3,624156 8,1e−08 ✓
Log-normal: SH sabit 0,105050 0,105051 0,105051 1,7e−08 ✓
Log-normal: b diabetes −0,170031 −0,170031 −0,170031 1,8e−08 ✓
Log-normal: SH diabetes 0,152533 0,152533 0,152533 2,3e−08 ✓
Log-normal: ölçek \sigma 0,971740 0,971741 0,971741 1,4e−07 ✓
Log-normal: \ell −638,299608 −638,299608 −638,299608 3,2e−12 ✓
Log-lojistik: b sabit 3,672495 3,672495 3,672495 6,1e−09 ✓
Log-lojistik: SH sabit 0,095483 0,095483 0,095483 4,1e−11 ✓
Log-lojistik: b diabetes −0,140316 −0,140316 −0,140316 1,1e−08 ✓
Log-lojistik: SH diabetes 0,142290 0,142290 0,142290 5,3e−11 ✓
Log-lojistik: ölçek \sigma 0,526934 0,526934 0,526934 2,9e−10 ✓
Log-lojistik: \ell −634,515933 −634,515933 −634,515933 2,3e−13 ✓
Üstel: b sabit 3,963064 3,963064 3,963064 3,1e−15 ✓
Üstel: SH sabit 0,118678 0,118678 0,118678 3,2e−12 ✓
Üstel: b diabetes −0,097991 −0,097991 −0,097991 1,7e−16 ✓
Üstel: SH diabetes 0,176164 0,176164 0,176164 6,3e−12 ✓
Üstel: \ell −639,416893 −639,416893 −639,416893 1,1e−13 ✓
Gen. gamma: b sabit 4,007465 4,007465 4,007465 6,5e−07 ✓
Gen. gamma: b diabetes −0,110884 −0,110884 −0,110884 1,8e−08 ✓
Gen. gamma: SH sabit 0,105267 0,105267 0,105267 1,3e−07 ✓ (10−5)
Gen. gamma: SH diabetes 0,114437 0,114437 0,114437 4,8e−08 ✓ (10−5)
Gen. gamma: \sigma 0,633469 0,633469 0,633469 6,4e−08 ✓
Gen. gamma: SH \sigma 0,062253 0,062253 0,062253 5,6e−08 ✓ (10−5)
Gen. gamma: Q 1,201215 1,201215 1,201216 1,2e−06 ✓
Gen. gamma: SH Q 0,228000 0,228000 0,228000 3,4e−07 ✓ (10−5)
Gen. gamma: \ell −625,110686 −625,110686 −625,110686 3,6e−11 ✓
Gompertz: \log b sabit −4,453189 −4,453189 −4,453189 2,6e−08 ✓
Gompertz: log HR diabetes 0,196465 0,196465 0,196465 1,1e−08 ✓
Gompertz: SH sabit 0,165090 0,165091 0,165091 5,0e−07 ✓
Gompertz: SH diabetes 0,178906 0,178906 0,178906 9,1e−08 ✓
Gompertz: şekil a 0,014740 0,014740 0,014740 5,8e−10 ✓
Gompertz: SH a 0,002789 0,002789 0,002789 5,2e−09 ✓
Gompertz: \ell −628,203012 −628,203012 −628,203012 2,3e−13 ✓
AIC tablosu: Üstel 1282,833785 1282,833785 1282,833785 3,6e−12 ✓
AIC tablosu: Log-normal 1282,599216 1282,599216 1282,599216 6,4e−12 ✓
AIC tablosu: Log-lojistik 1275,031866 1275,031866 1275,031866 4,5e−13 ✓
AIC tablosu: Gen. gamma 1258,221372 1258,221372 1258,221372 7,0e−11 ✓
AIC tablosu: Gompertz 1262,406024 1262,406024 1262,406024 3,6e−12 ✓

%90 güven düzeyi; yalnız sabitli Weibull model (R sütunu boş: yalnız MerQur ve Python)

Büyüklük MerQur Python (bağımsız) R 4.5.3 En büyük fark Durum
%90 TR GA alt sabit 45,248126 45,248126 45,248126 5,1e−07 ✓
%90 TR GA üst sabit 58,956786 58,956784 58,956784 1,4e−06 ✓
%90 TR GA alt diabetes 0,736534 0,736534 0,736534 2,2e−08 ✓
%90 TR GA üst diabetes 1,090650 1,090650 1,090650 1,7e−08 ✓
Yalnız sabit: b_0 3,896788 3,896788 — 1,5e−08 ✓
Yalnız sabit: SH 0,059735 0,059735 — 8,4e−10 ✓
Yalnız sabit: \rho 1,469402 1,469402 — 6,8e−09 ✓

Genelleştirilmiş gammada SH'ler üç programda da sayısal Hessian'dan gelir; bu satırlarda tolerans 10^{-5} (göreli) alınmıştır.

130.7 Çıktıyı okuma

Sonuç metni (ana çalıştırma; kısaltılmış, olduğu gibi):

══ PARAMETRİK SAĞKALIM (AFT) ══
Dağılım           : Weibull
n                 : 200
Olay sayısı       : 130
Sansür sayısı     : 70
Medyan sağkalım (kovaryat medyanlarında): 40.30
Medyan sağkalım (kovaryat ortalamalarında): 38.27

── KATSAYILAR (AFT) ──
Parametre                Katsayı        SE        TR             TR %95 GA         p
diabetes                 -0.1095    0.1193    0.8963        (0.709, 1.132)    0.3588
Sabit                     3.9445    0.0804   51.6496      (44.115, 60.470)   <0.0001 ★

── DAĞILIM PARAMETRESİ ──
ρ                 : 1.4765  (= 1/σ; σ = 0.677297)
  → ρ > 1: tehlike zamanla artıyor (yaşlanma).

── MODEL UYUMU ──
Log-olabilirlik   : -625.5115
AIC               : 1257.02
BIC               : 1266.92
LR testi (model)  : χ²(1) = 0.8322, p = 0.3616  (sıfır model = yalnız sabit
                    terimli aynı dağılım: LL₀ = -625.9276)

── Weibull orantılı tehlike (PH) parametrizasyonu ──
σ (scale)         : 0.6773  (SE log σ = 0.0670, %95 GA [0.5939, 0.7724])
diabetes                  0.1617    0.1767    1.1755        (0.831, 1.662)    0.3602
Satır/Öğe Ne yazar Nasıl yorumlanır
Medyan (kovaryat medyanlarında / ortalamalarında) İki farklı profilde t_{0{,}5}. İkili kovaryatta "medyanlarında" referans grubun medyanıdır (130.3).
Katsayı, SE Log-zaman ölçeğinde \hat\beta ve SH. Negatif katsayı süreyi kısaltır.
TR ve GA e^{\hat\beta}, Wald GA. 1'i kapsıyorsa etki anlamsızdır. Sabit terimin TR'si referans hastanın ölçek parametresidir.
ρ / σ / β satırı Dağılıma göre şekil (130.5.1). Weibull'da \rho>1 artan tehlike; ok satırı bunu yazar (:1453–1459).
LR testi 2(\ell-\ell_0), sd = kovaryat sütunu sayısı. Tüm kovaryatlar birlikte sıfır mı?
Weibull PH bloğu \sigma, \rho, \lambda_{\text{PH}}, log HR, HR. Cox HR'si ile karşılaştırılabilir ölçek.
Dağılımlar arası tablo k, LL, AIC, BIC, ΔAIC; ★ en iyi, (!) güvenilmez. ΔAIC < 2 benzer destek.
KM–model tablosu ve Cox–Snell satırı Fark sütunu, artık ortalaması ve toplamı. Büyük ve sistematik farklar dağılım uyumsuzluğudur.
Uyarılar Sıfır süre çıkarıldı, düşük olay oranı, aşırı TR, kategorik olabilir, yakınsama. Her biri kod satırıyla 130.2'de.

APA biçiminde rapor cümlesi (Türkçe ondalıkla):

200 diyaliz hastasında (130 ölüm) sağkalım süresi, diyabet durumuyla Weibull hızlandırılmış başarısızlık zamanı modeliyle çözümlendi. Weibull modeli, altı aday dağılım arasında en küçük AIC'yi verdi (AIC = 1257,02; genelleştirilmiş gamma ΔAIC = 1,20) ve tehlike zamanla artıyordu (\hat\rho = 1,48). Diyabetli hastaların sağkalım süresi diyabetsizlerinkinden %10 kısa kestirildi, ancak fark anlamlı değildi (TR = 0,90; %95 GA [0,71; 1,13]; z = −0,92; p = 0,36). Bu, orantılı tehlike ölçeğinde HR = 1,18'e (%95 GA [0,83; 1,66]) karşılık gelir. Diyabetsiz hastaların modelden kestirilen medyan sağkalımı 40,3 aydı.

130.8 Uzman soruları

S1. MerQur'un log-olabilirliği R ile neden aynı? Bazı programlar farklı sayı basar.

Olabilirlik t ölçeğinde yazılır ve olaylı gözlemler için -\ln t_i Jakobyen terimi içerir (130.5.2). R survreg ve lifelines aynı tanımı kullanır; Tıp örneğinde ikisi de -625{,}5115 verir. Log-zaman ölçeğinde yazılan olabilirlik (bazı kitaplarda) \sum\delta_i\ln t_i= sabit kadar farklıdır; AIC farkları ve LR testleri etkilenmez.

S2. Gözlem 30'dan, olay 10'dan azsa neden çalışmıyor?

Bu iki eşik MerQur'un tercihidir (:809–810, :817–820): az olayla ölçek parametresi ve kuyruk davranışı kestirilemez, Wald GA'ları güvenilmez olur. R survreg böyle bir alt sınır koymaz. Çok küçük örneklemde parametrik model yerine Kaplan–Meier ya da kesin yöntemler tercih edilmelidir.

S3. Süresi 0 olan hasta ne olur?

\ln 0 tanımsız olduğundan kayıt çıkarılır ve uyarıda kaç kaydın atıldığı yazılır (:773–776, :811–814). R survreg ise hata verir. Sıfır süre çoğunlukla veri girişi sorunudur (aynı gün ölüm); gün yarımı gibi küçük bir pozitif değer ataması klinik olarak gerekçelendirilmelidir.

S4. AFT katsayısı ile Cox HR'si nasıl karşılaştırılır?

Yalnız Weibull'da birebir dönüşüm vardır: \log\text{HR}=-\beta/\sigma (130.5.5). Tıp örneğinde AFT \beta=-0{,}1095, \sigma=0{,}6773 verir; Weibull PH \text{HR}=1{,}175. Cox modeli 1,156 verir; fark Weibull'un temel tehlikeyi parametrik kestirmesinden gelir. Log-normal ve log-lojistikte HR zamana bağlıdır; bu modellerin TR'si Cox HR'si ile karşılaştırılmaz.

S5. Hangi dağılımı seçmeliyim? AIC yeterli mi?

AIC iç içe olmayan modeller için de kullanılabilir; ΔAIC < 2 benzer destek demektir. Ancak tek ölçüt olmamalıdır: KM–model tablosu, Cox–Snell grafiği ve klinik bilgi (tehlike tekdüze mi, tepe yapıyor mu) birlikte değerlendirilir. Genelleştirilmiş gamma, Weibull ve log-normal için iç içe bir sınama zemini verir (130.5.7). Tıp örneğinde \hat Q=1{,}20 ve GA'sı 1'i kapsar: Weibull yeterlidir.

S6. Genelleştirilmiş gamma bazen "(!)" ile işaretleniyor. Neden?

Bazı verilerde olabilirlik Q\to\infty, \sigma\to0 yönünde sınırsız artar; iç ML noktası yoktur. flexsurv Hessian'ı pozitif tanımlı olmayan yerel bir noktada durabilir. MerQur \lvert Q\rvert>10 ya da \sigma<0{,}02 olduğunda çözümü sınır çözümü sayar; SH ve GA'yı vermez, AIC tablosunda en iyi seçimine katmaz (:549–565).

S7. Gompertz'te neden TR değil HR yazıyor?

Gompertz MerQur'da PH biçiminde kurulur: h(t)=e^{\mathbf x^{\top}\boldsymbol\beta}e^{at}, R flexsurvreg(dist = "gompertz") ile aynı (:315). e^{\beta_k} tehlike oranıdır ve tablo başlığı "HR" olur (:1269); sabit terim \ln b'dir. Tıp örneğinde diabetes için log HR 0,1965 (HR 1,217) çıkar.

S8. Kategorik bir kovaryatın referansını nasıl değiştiririm? Sayıyla kodlanmış evre ne olur?

Metin sütunları otomatik kukla kodlanır; referans, düzey sırasındaki ilk düzeydir (Veri sekmesinde tanımlı sıra; sayı içeren etiketlerde doğal sıra; aksi hâlde verideki ilk görülme sırası; alfabetik sıra kullanılmaz) ya da "Referans düzeyler:" alanında evre=II gibi yazılır (encode_covariates, :217–271). Sayıyla kodlanmış evre (1–4) yazılmazsa tek doğrusal etki olur ve uyarı çıkar; "Kategorik (faktör) değişkenler" alanına yazılınca ya da referans alanında adı geçince kukla kodlanır (apply_factor_covariates, :274–305). Biçime uymayan referans metni "İstenen ve uygulanan ayarlar" bloğuna yazılır.

130.9 Sık hatalar ve tuzaklar

  • TR'yi HR gibi yorumlamak. TR > 1 süreyi uzatır (koruyucu); HR > 1 tehlikeyi artırır (zararlı). İşaretler terstir.
  • Şekil satırını yanlış parametre sanmak. Weibull'da \rho=1/\sigma, log-lojistikte \beta_s=1/\sigma, log-normalde \sigma yazar; R Scale her zaman \sigma'dır.
  • İkili kovaryatta "kovaryat medyanlarında" medyanını tüm örneklemin medyanı sanmak. Bu değer referans grubun medyanıdır.
  • Dağılımı yalnız AIC ile seçmek. KM–model tablosu ve Cox–Snell grafiği de bakılmalıdır; tüm adaylar kötü uyuyorsa en küçük AIC de kötüdür.
  • Gözlenen izlemin ötesine güvenle ekstrapolasyon yapmak. %90 yüzdelik (86,3 ay) gözlenen sürelerin büyük bölümünün dışındadır; kuyruk tamamen dağılım varsayımından gelir.
  • Sayıyla kodlanmış kategoriyi sürekli bırakmak. "Kategorik bir kod olabilir" uyarısı görülürse sütun faktör alanına yazılmalıdır.
  • Sıfır süreleri gözden kaçırmak. Uyarı satırında kaç kaydın çıktığı yazılır; n'nin beklenenle aynı olduğu denetlenmelidir.
  • Gompertz'te katsayıyı TR sanmak. Gompertz bir PH modelidir; e^{\beta} HR'dir.

130.10 Kaynaklar

  • Akaike, H. (1974). A new look at the statistical model identification. IEEE Transactions on Automatic Control, 19(6), 716–723. https://doi.org/10.1109/TAC.1974.1100705
  • Cox, C., Chu, H., Schneider, M. F., & Muñoz, A. (2007). Parametric survival analysis and taxonomy of hazard functions for the generalized gamma distribution. Statistics in Medicine, 26(23), 4352–4374. https://doi.org/10.1002/sim.2836
  • Cox, D. R., & Snell, E. J. (1968). A general definition of residuals. Journal of the Royal Statistical Society: Series B (Methodological), 30(2), 248–265. https://doi.org/10.1111/j.2517-6161.1968.tb00724.x
  • Davidson-Pilon, C. (2019). lifelines: Survival analysis in Python. Journal of Open Source Software, 4(40), 1317. https://doi.org/10.21105/joss.01317
  • Jackson, C. (2016). flexsurv: A platform for parametric survival modeling in R. Journal of Statistical Software, 70(8). https://doi.org/10.18637/jss.v070.i08
  • Kalbfleisch, J. D., & Prentice, R. L. (2002). The statistical analysis of failure time data (2nd ed.). Wiley. https://doi.org/10.1002/9781118032985
  • Prentice, R. L. (1974). A log gamma model and its maximum likelihood estimation. Biometrika, 61(3), 539–544. https://doi.org/10.1093/biomet/61.3.539
  • Schwarz, G. (1978). Estimating the dimension of a model. The Annals of Statistics, 6(2), 461–464. https://doi.org/10.1214/aos/1176344136
  • Wei, L. J. (1992). The accelerated failure time model: A useful alternative to the Cox regression model in survival analysis. Statistics in Medicine, 11(14–15), 1871–1879. https://doi.org/10.1002/sim.4780111409