Bayesçi Cox Regresyonu
Bayesian Cox Proportional Hazards Regression · Ayrıca şöyle bilinir: Bayesian Cox PH model, Bayesian proportional hazards model, Bayesian survival regression, BCox
Bayesçi Cox regresyonu, zaman-olay verileri için Cox orantılı tehlike modelini Bayesçi çıkarım ile birleştirir. Nokta tahminleri yerine, tehlike oranları üzerinde tam sonsal dağılımlar üretir, önsel bilgiyi doğal olarak dahil eder ve küçük örneklemlerde veya bilgilendirici sansürle bile tutarlı belirsizlik ölçümü sağlar.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Zaman-olay sonuçlarınız sansürleme ile olduğunda ve nokta tahminlerinden fazlasına ihtiyaç duyduğunuzda — özellikle örneklem küçük veya orta büyüklükte olduğunda, önceki çalışmalardan önsel bilgi mevcut olduğunda, tam belirsizlik yayılımı gerektiğinde (örneğin, karar analizi için) veya bilgi kriterleri aracılığıyla model karşılaştırması hedeflendiğinde — Bayesçi Cox regresyonunu kullanın. Ayrıca, klasik maksimum kısmi olasılık seyrek veriler veya çok sayıda eşit olay zamanı nedeniyle kararsız tahminler ürettiğinde tercih edilir. Veri kümesi çok büyük ve hesaplama maliyeti engelleyici olduğunda veya klasik bir Cox modeli zaten kararlı tahminler ürettiğinde ve araştırma bağlamı tarafından şeffaf sıklıkçı çıkarım gerektirildiğinde bundan kaçının.
Güçlü yönler & sınırlılıklar
- Tehlike oranları üzerindeki tam sonsal dağılımlar, ikili anlamlılık kararları yerine gerçek olasılıksal ifadeler (örneğin, P(HR > 1) = 0.95)) sağlar.
- Önsel dağılımlar geçmiş verileri veya uzman bilgisini biçimsel olarak içerir, küçük örneklem boyutlarında standart hataları azaltır.
- Karmaşık sansürleme, sol kesme ve düzensiz takip sürelerini olasılık modeli içinde doğal olarak ele alır.
- WAIC veya LOO-CV aracılığıyla model karşılaştırması basittir ve iç içe geçmiş model varsayımları gerektirmez.
- Kalibre edilmiş güven bantlarıyla sonsal öngörücü hayatta kalma eğrileri bireysel prognoz için doğrudan mevcuttur.
- Hesaplama açısından yoğundur: taban tehlike için MCMC, klasik kısmi olasılık maksimizasyonundan çok daha yavaştır.
- Sonuçlar taban tehlike üzerindeki önsel seçimine duyarlıdır ve yanlış belirtilmiş önsel dağılımlar küçük örneklemlerde çıkarımı bozabilir.
- Önsel belirleme, MCMC tanıları (Rhat, etkili örneklem boyutu) ve model kontrolü konusunda uzmanlık gerektirir — standart Cox regresyonundan daha zordur.
SSS
Taban tehlike için bir önsel belirlemem gerekiyor mu?
Evet, tam bir Bayesçi Cox modelinde taban tehlike h0(t)'ye bir önsel atanmalıdır. Yaygın seçimler, her parça üzerinde gama önsel dağılımlarıyla parçalı sabit tehlike veya bir gama süreci önsel dağılımıdır. Stan veya rstanarm gibi yazılımlar bunu makul varsayılanlarla otomatik olarak halleder, ancak ana sonsal niceliklerin önsel belirlemeye duyarlılığını incelemelisiniz.
Klasik Cox modelinden nasıl farklıdır?
Klasik Cox modeli, h0(t)'yi modellemeden β'yı tahmin etmek için kısmi olasılığı kullanır, asimptotik teoriye dayalı nokta tahminleri ve güven aralıkları verir. Bayesçi versiyon hem β hem de h0(t) üzerine önsel dağılımlar yerleştirir ve belirsizlik hakkında daha fazla bilgi sağlayan ve tutarlı olasılıksal tahminlere izin veren tam sonsal dağılımlar üretir.
Orantılı tehlike varsayımı hala gerekli mi?
Evet. Bayesçi çerçeve orantılı tehlike varsayımını gevşetmez. Bunu hala Schoenfeld artıkları veya zamana bağlı katsayı testleri kullanarak kontrol etmelisiniz; başarısız olursa, Bayesçi hızlandırılmış hayatta kalma süresi modeli veya zaman-kovaryet etkileşimleri olan bir model düşünün.
Bayesçi Cox regresyonu için hangi yazılımı kullanabilirim?
Stan (survival paketi aracılığıyla veya doğrudan kodlama), rstanarm (survival uzantısı), brms (sansürlü yanıt aileleri) ve JAGS yaygın olarak kullanılır. bayesm ve BayesSurv gibi R paketleri de özel işlevsellik sağlar.
İki Bayesçi Cox modelini nasıl karşılaştırırım?
loo R paketinde uygulanan yaygın olarak uygulanabilir bilgi kriterini (WAIC) veya bırak-bir-dışarı çapraz doğrulamayı (LOO-CV) kullanın. Bunlar model karmaşıklığını cezalandırırken tahmin doğruluğunu ödüllendirir ve modellerin iç içe olmasını gerektirmez.
Kaynaklar
- Ibrahim, J. G., Chen, M.-H., & Sinha, D. (2001). Bayesian Survival Analysis. Springer. ISBN: 978-0387952772
- Cox, D. R. (1972). Regression models and life-tables. Journal of the Royal Statistical Society, Series B, 34(2), 187–220. link ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Bayesian Cox Proportional Hazards Regression. ScholarGate. https://scholargate.app/tr/statistics/bayesian-cox-regression
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Bayesçi Genelleştirilmiş Doğrusal Modelİstatistik↔ karşılaştır
- Bayes Karışık Etkiler Modeliİstatistik↔ karşılaştır
- Bayes Sağkalım Regresyonuİstatistik↔ karşılaştır
- Cox Orantılı Tehlike RegresyonuSağkalım↔ karşılaştır
- Hayatta Kalma Regresyonuİstatistik↔ karşılaştır
- Sıfır-Şişirilmiş Modelİstatistik↔ karşılaştır