Bayes Sağkalım Regresyonu
Bayesian Survival Regression · Ayrıca şöyle bilinir: Bayesian time-to-event regression, Bayesian parametric survival model, Bayesian survival analysis, Bayesian accelerated failure time model
Bayes Sağkalım Regresyonu, parametrik veya yarı-parametrik sağkalım modellerini (Weibull, log-normal veya Cox orantılı tehlike gibi) Bayes çıkarımı ile birleştirir. Nokta tahminleri yerine, regresyon katsayıları ve temel tehlike için tam sonsal dağılımlar üretir, sansürlenmiş gözlemleri doğal olarak ele alır ve olay zamanları veya kovaryet etkileri hakkındaki önsel bilgileri dahil eder.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Sonuç zamanı bir olaya (ölüm, nüks, arıza, temerrüt) bir olay ve gözlemler sansürlenmiş olabileceğinde Bayes sağkalım regresyonunu kullanın. Özellikle geçmiş denemelerden veya uzman bilgisinden önsel bilginin mevcut olduğu, örneklemin küçük olduğu ve sıkıksal belirsizlik aralıklarının güvenilmez olduğu veya bireysel hastalar veya öğeler için tam tahmin edici dağılımlara ihtiyaç duyulduğunda avantajlıdır. Savunulabilir bir önsel değerin olmadığı durumlarda (bunun yerine Cox regresyonunu kullanın), hesaplama kaynaklarının ciddi şekilde sınırlı olduğu veya basit bir Kaplan-Meier veya log-rank karşılaştırmasının yeterli olduğu ve kovaryet ayarlamasına gerek duyulmadığı durumlarda bundan kaçının.
Güçlü yönler & sınırlılıklar
- Tüm parametreler için tam sonsal dağılımlar üretir, tehlike oranları ve sağkalım olasılıkları hakkında gerçek olasılıksal ifadeler verir.
- Geçmiş verilerden veya uzman bilgisinden önsel dağılım aracılığıyla önsel bilgiyi doğal olarak dahil eder.
- Sansürlenmiş ve eksik gözlemleri, ad hoc ayarlamalar olmaksızın olasılık fonksiyonu içinde doğrudan ele alır.
- Yeni denekler için tahmin edici çıkarım, tüm parametre belirsizliğini yayar ve kalibre edilmiş güven aralıkları verir.
- Karmaşık hiyerarşik veya çok düzeyli yapıları (örneğin, kliniklere yerleştirilmiş hastalar) birleşik bir Bayes çerçevesi içinde destekler.
- Temel tehlike ailesinin esnek seçimi (parametrik: Weibull, log-normal; yarı-parametrik: kümülatif tehlike üzerinde gama süreci önsel değeri).
- Hesaplama açısından pahalı: MCMC örneklemesi, büyük veri kümelerinde veya karmaşık modellerde saatler veya günler sürebilir.
- Sonuçlar önsel belirlemeye bağlıdır; kötü seçilmiş bir önsel değer, özellikle küçük örneklemlerde çıkarımı bozabilir.
- Dikkatli yakınsama tanıları (R-hat, etkili örneklem boyutu) ve MCMC hatalarını belirlemek için uzmanlık gerektirir.
- Sonsal dağılımları yorumlamak ve iletmek, bir tehlike oranı ve p-değeri bildirmekten daha karmaşıktır.
- Orantılı tehlike varsayımı, zamanla değişen katsayılar veya esnek tehlike fonksiyonları açıkça modellenmedikçe hala geçerlidir.
SSS
Bayes sağkalım regresyonu klasik Cox modelinden nasıl farklıdır?
Klasik Cox modeli, kısmi olasılığı maksimize ederek tek bir katsayı kümesi tahmin eder. Bayes sağkalım regresyonu, katsayılar ve temel tehlike üzerine önsel dağılımlar yerleştirir, ardından tam bir sonsal dağılım elde etmek için MCMC kullanır. Bu, güven aralıkları, tahmin edici dağılımlar ve önsel bilgiyi dahil etme yeteneği sağlar — ancak daha yüksek hesaplama maliyetiyle.
Regresyon katsayıları için hangi önsel değeri kullanmalıyım?
Zayıf bilgilendirici bir normal önsel değer (log-tehlike oranı ölçeğinde ortalama 0, standart sapma 1-2) güvenli bir varsayılan değerdir. Tahminleri güçlü bir şekilde kısıtlamadan düzenler. Belirli etki boyutlarını destekleyen geçmiş verileriniz varsa, bu değerler etrafında merkezlenmiş daha bilgilendirici bir normal veya t önsel değeri tahmini iyileştirebilir. Sınırsız parametreler üzerinde tamamen düz önsel değerlerden kaçının.
Bu yöntemi aralık-sansürlenmiş veya sol-sansürlenmiş verilerle kullanabilir miyim?
Evet. Bayes olasılık fonksiyonu çerçevesi, olasılık fonksiyonu katkısını her gözlem için buna göre ayarlayarak aralık sansürlemesine (olayın bilinen bir aralıkta meydana geldiği) ve sol sansürlemeye (olayın gözlem başlamadan önce meydana geldiği) doğal olarak genişler. Hem Stan hem de JAGS, veri artırımı veya kesik dağılımlar aracılığıyla bu sansür türlerini destekler.
Orantılı tehlike varsayımının geçerli olup olmadığını nasıl kontrol ederim?
Bayes çerçevesi içinde bile, sonsal çizimlerden Schoenfeld artıkları hesaplayabilir, log-log sağkalım eğrilerini çizebilir veya modeli zamanla değişen katsayılarla genişletebilirsiniz. Varsayım ihlal edilirse, bir Bayes hızlandırılmış arıza süresi (AFT) modeli veya esnek bir temel tehlike (örneğin, çok sayıda segmentli parçalı üstel) daha uygun olabilir.
Bayes sağkalım regresyonunu hangi yazılım uyarlayabilir?
Stan (brms veya rstanarm R paketleri aracılığıyla) ve JAGS en yaygın kullanılanlardır. brms, lm/lmer'a benzer bir formül arayüzü sağlar ve Bayes tahminli Weibull, log-normal ve Cox tipi modelleri destekler. Python kullanıcıları PyMC veya Stan'ın cmdstanpy arayüzünü kullanabilir.
Kaynaklar
- Ibrahim, J. G., Chen, M.-H., & Sinha, D. (2001). Bayesian Survival Analysis. Springer. ISBN: 978-0387952772
- Gelman, A., Carlin, J. B., Stern, H. S., Dunson, D. B., Vehtari, A., & Rubin, D. B. (2013). Bayesian Data Analysis (3rd ed.). CRC Press. ISBN: 978-1439840955
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Bayesian Survival Regression. ScholarGate. https://scholargate.app/tr/statistics/bayesian-survival-regression
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Bayesçi Cox Regresyonuİstatistik↔ karşılaştır
- Bayesçi Genelleştirilmiş Doğrusal Modelİstatistik↔ karşılaştır
- Bayes Karışık Etkiler Modeliİstatistik↔ karşılaştır
- Cox Orantılı Tehlike RegresyonuSağkalım↔ karşılaştır
- Hayatta Kalma Regresyonuİstatistik↔ karşılaştır