区间删失数据下Weibull 比例优势模型的参数估计

基于区间删失数据建模是当前复杂数据分析的热点之一。本研究在两类区间删失数据下建立Weibull比例优势模型,基于极大似然估计给出了模型参数,进一步讨论了估计量的渐近性质。数值模拟验证了模型参数的估计效果,并将提出的模型及方法应用到艾滋病临床试验数据和肺肿瘤试验数据中,给出了感兴趣事件的生存函数曲线,通过与生存函数的非参数极大似然估计比较,表明所提方法具有较好的拟合效果。

区间删失数据下基于模型平均方法的估计及预测

将模型平均方法应用于区间删失数据下的加速失效时间模型中,并与模型选择方法进行了比较,模拟结果表明模型平均方法的估计要优于模型选择方法.将模型平均方法应用于心脏移植手术数据的实例分析中,结果表明相对于模型选择方法而言,模型平均方法的预测效果更好.

区间删失数据下比例风险模型的概率填补方法

在生存分析中,填补是删失数据下比例风险模型回归分析的重要方法。在区间删失数据下,单点填补的方法存在参数估计不稳定,本文在混合插值的基础上提出了一种概率填补方法,该方法利用删失数据集的深层信息,依概率进行有效填补。经模拟和实证分析论证,在区间删失数据下比例风险模型回归分析中,概率填补方法比目前单点填补方法的参数估计更稳定。

含有Ⅱ型区间删失数据的回归模型参数估计

目的比较四种方法估计含有Ⅱ型区间删失数据的回归模型参数最大似然估计值,探讨在不同样本量情况下四种方法估计结果的准确性和稳定性。方法对含有Ⅱ型区间删失的生存数据分别拟合Weibull参数回归模型和Cox-PH半参数回归模型,并结合EMICM算法得到模型参数的最大似然估计值;应用组均值插补法将区间删失数据填补为右删失数据,进一步用传统的Cox回归以及建立伪观察值的方法估计生存函数,模拟样本量分别为50、200、500例。结果Weibull回归模型的参数最大似然估计值分别为β_1=0.496,β_2=-0.366;β_1=0.680,β_2=-0.586;β_1=0.620,β_2=-0.504。Cox-PH半参数回归模型的参数最大似然估计值为β_1=0.652,β_2=-0.469;β_1=0.683,β_2=-0.538;β_1=0.629,β_2=-0.511。填补为右删失数据后传统Cox回归方法得到的参数最大似然估计值分别为β_1=0.203,β_2=-0.227;β_1=0.641,β_2=-0.514;β_1=0.545,β_2=-0.446。用Pseudo-observations得到的参数最大似然估计值分别为β_1=0.217,β_2=-0.275;β_1=0.796,β_2=-0.601;β_1=0.561,β_2=-0.468。结论在不同样本量情况下,拟合Weibull参数回归模型,Cox-PH半参数回归模型结合EMICM算法估计的参数最大似然估计更准确更稳定。

HPM效应实验中区间删失数据的处理与统计分析

在HPM效应实验中经常可以获得区间删失数据,为了能够合理利用这类数据对HPM效应进行有效分析,需要对它进行处理。根据电子器件的微波失效机理和实验现象,基于插值方法的思想,在充分利用删失数据信息情况下建立了不同阶插值精度的数据处理方法。理论分析可知,高阶精度处理方法要优于低阶精度方法。此外,根据构建的区间删失数据,通过统计分析可知,处理后数据与原始数据在统计意义上没有显著差异,可用于HPM效应研究,为数据的可靠分析提供了有利支撑。

Ⅰ型区间删失数据下加速失效治愈率模型的估计问题

在治愈率模型中,感兴趣的事件只发生在一部分个体上,对另外的个体而言,感兴趣的事件一直不会出现.所有的个体被分为两类:可治愈的个体和不可治愈的个体.在寿命数据的研究中,加速失效模型的研究成果很多,但大多数是基于右删失数据进行的,区间删失数据的研究成果相对较少,特别是当研究总体包含有治愈的部分时.本文研究的是Ⅰ型区间删失数据下的一类加速失效治愈率模型.假定协变量对个体被治愈的概率的影响用逻辑斯蒂克模型表示,未治愈个体的发病时间用加速失效模型进行分析.文中采用EM算法得出了模型参数的极大似然估计,并用模拟计算的方式验证了估计量的有效性.

区间删失数据函数的均值估计

运用无偏转换思想构造了区间删失数据函数的均值估计,并在此基础上对所构造的估计量方差进行了研究.针对Ⅰ型区间删失情况和Ⅱ型区间删失情况,找到了估计量方差有限的条件.

区间删失数据任意阶原点矩估计

针对区间删失数据的特点,受C lassK方法的启发,得到了一种C lassX方法,利用此种C lassX方法对区间删失数据任意阶原点矩进行了估计,并给出了4个具体的估计,最后通过模拟计算对这种估计方法的可行性和有效性进行了验证。

信息区间删失数据的参数估计及敏感性分析

基于连接函数构造了信息区间删失数据的似然函数,研究了信息区间删失的分布函数问题.连接函数的假定会对估计结果产生一定的影响,通过模拟计算对这种影响进行了敏感性分析.

部分区间删失数据下广义指数分布的参数估计及应用

考虑部分区间删失数据,当时间变量服从广义指数分布时,在尺度参数是否受协变量影响下建立两种模型,再对模型参数进行极大似然估计,并用Newton-Raphson算法求解参数估计值.模拟实验和实例分析结果验证了模型的有效性.

基于逐步区间删失数据Rayleigh分布的参数估计

基于逐步I型区间删失样本,通过求解似然方程,并不能得到未知参数的极大似然估计,采用Newton-Raphson解法得到了极大似然估计的近似解。用EM算法得到了参数估计的迭代公式,通过数值模拟把这两种估计进行了比较,结果表明两者非常接近,EM算法对初值的选择比较灵活,因此更加方便。

带有信息的区间删失数据下AFT模型的参数估计

在生存分析研究中,多数文章假定感兴趣的失效时间和删失时间是独立的,但这一假设在实际情况中未必合理。如果忽略失效时间与删失时间的相依性,可能会导致错误的结论。所以本文考虑在带有信息的K型区间删失数据下,采用基于两步估计的极大似然估计方法对误差项服从标准正态分布的加速失效时间模型(accelerated failure time model,AFT)进行参数估计。同时还进行了数值模拟以验证提出方法的有效性。最后,应用所提出的方法分析艾滋病的临床试验数据。

广义指数比例风险模型下区间删失数据的贝叶斯估计

本文研究了失效时间服从广义指数分布,且风险率函数为比例风险模型时,Ⅱ型区间删失数据的贝叶斯估计.假定参数的先验分布为无信息先验,建立贝叶斯层次模型从而得到后验密度函数.通过MH算法得到参数估计值,数值模拟结果验证了所提方法的有效性.最后将所提方法应用到乳腺癌患者和血友病患者这两个实际数据中进行分析.

含有右删失和区间删失数据的生存函数的非参数估计

删失数据的处理在很多研究领域都是常见的问题,尤其是在医学生存数据分析领域。插补方法是处理删失数据重要的方法之一。然而多数插补方法是将删失数据直接插补成精确数据,这样就扭曲了数据的真实分布,降低了估计方法的精度。本文提出一种含有右删失和区间删失数据的非参数估计方法并与经典SC(self-consistent)算法进行比较。该方法基于均值插补法和最近邻插补法将右删失数据插补为区间删失数据,从而大大提高了真实数据落入插补区间的概率,继而根据经验分布理论对区间删失数据进行生存函数估计。模拟数据和真实乳腺癌数据的分析得出:新算法对删失比例不同的删失数据的估计有更高的精确度和更好的稳健性。本文为临床研究治疗方法效果的比较和估计患者的生存数据提供了一种较好的方法,也为医学生存数据分析提供了一定的帮助。

基于区间删失数据估计方法的COVID-19潜伏期分布估计

目的新型冠状病毒肺炎疫情已经成为全球关注的公共卫生问题,其潜伏期等流行病学特征尚不明确,本研究旨在对新型冠状病毒肺炎的潜伏期分布进行估计。方法收集各省份卫生健康委员会官方发布信息平台的确诊病例暴露与发病信息,利用区间删失数据估计方法,基于Log-normal、Gamma和Weibull分布,对新型冠状病毒肺炎的潜伏期分布进行估计。结果本研究共收集确诊病例109例,平均年龄为39.825岁。基于Log-normal分布的潜伏期M=4.938(P25~P75:3.451~7.304)d,Gamma分布的潜伏期M=5.064(P25~P75:3.489~7.301)d,Weibull分布的潜伏期M=5.678(P25~P75:3.653~7.666)d。Gamma分布的对数似然函数值最大。结论COVID-19的潜伏期服从Gamma分布,基于区间删失数据的估计方法可用于传染病潜伏期分布的估计。

Ⅰ型区间删失数据下产品可靠度的置信下限

本文针对Weibull分布情形下的Ⅰ型区间删失数据,提出了产品的可靠度的优良的置信下限的理论与计算方法。

左截断区间删失数据在比例风险率模型下回归分析的新方法

在生存数据的研究中,比例风险率模型是应用最广泛的模型,尤其是当研究关注的是协变量效应时更为显著.对于左截断区间删失数据在比例风险率模型假设下的研究,目前已经有一些分析方法,但是这些方法或者计算复杂,或者参数估计有效性不足.针对于这些问题,本文给出了一种新的极大似然估计方法,通过引入一些泊松潜变量并利用EM算法来极大化似然函数,以此得到参数估计.本文给出的估计方法算法简单,易于执行.同时,本文进行了大量的数值模拟,验证了提出方法的有效性,最后,本文应用提出的方法分析了艾滋病的临床数据.

可加风险模型下相依Ⅰ型区间删失数据的一个Copula推断方法

可加风险模型是生存分析中一类重要的回归模型,许多学者对该模型进行过研究.但是针对相依Ⅰ型区间删失数据的研究却非常少,且已有的研究都假设删失时间与寿命之间的关联系数已知.显然,该假设在实际中未必成立.针对此问题,本文放松这一假设,提出一种新的基于Copula的方法对可加风险模型下相依Ⅰ型区间删失数据进行回归分析,给出参数部分估计量的渐近性质,通过数值模拟检验所提方法在有限样本下的表现,并进行实例分析.

K型区间删失数据下参数的置信限

基于K型区间删失数据,利用样本空间排序法给出参数优良的置信下限和计算置信下限的递推公式.

超高维Ⅱ型区间删失数据的非参数变量筛选法

在定期随访的医学研究或临床实验中,人们经常会收集到高维区间删失数据,如何对这类数据进行降维是一个非常有意义的问题.本文基于Kolmogorov-Smirnov检验统计量,利用分割和融合的技巧,把独立特征筛选方法推广到区间删失数据中,提出了一种可以处理超高维Ⅱ型区间删失数据且不依赖于任何模型假设的变量筛选方法.此方法的适用范围很广,可以有效地处理各种生存模型下的超高维Ⅱ型区间删失数据,而且可以处理离散型,连续型等多种类型的协变量.在估计生存函数时,本文采用EM-ICM算法,极大地提高了计算效率.大量的数值模拟实验验证了此方法在有限样本下的有效性.