Hayatta Kalma Regresyonu
Parametric Survival Regression · Ayrıca şöyle bilinir: accelerated failure time model, AFT model, parametric survival model, time-to-event regression
Hayatta kalma regresyonu, bir olayın (ölüm, arıza veya nüks gibi) meydana gelene kadar geçen süreyi kovaryantların bir fonksiyonu olarak modeller. Sıradan regresyondan farklı olarak, hayatta kalma süresi için parametrik bir dağılım belirleyerek ve kovaryant etkilerini maksimum olabilirlik yoluyla tahmin ederek sansürlenmiş gözlemleri (takip süresi sonunda olayın henüz gerçekleşmediği durumlar) doğru bir şekilde hesaba katar.
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 zaman-olaylı bir olay olduğunda ve sansürleme mevcut olduğunda hayatta kalma regresyonunu kullanın - klinik deneyler (nüks zamanı), mühendislik güvenilirlik çalışmaları (arıza zamanı) ve sosyal bilimler süre analizi (istihdama kadar geçen süre). Parametrik bir dağılımın makul olduğu ve yorumlanabilir hızlandırma faktörlerinin (AFT katsayıları) istendiği veya gözlemlenen takibin ötesinde ekstrapolasyonun gerektiği durumlarda Cox regresyonuna tercih edilir. Olayların zamana göre sıralanamadığı, sonucun basitçe kategorik veya sansürleme olmaksızın sürekli olduğu veya varsayılan parametrik ailenin verilere kötü uyduğu durumlarda kullanmayın (Cox-Snell grafikleriyle kontrol edin).
Güçlü yönler & sınırlılıklar
- Sağ sansürleme, sol sansürleme ve aralık sansürlemesini doğru bir şekilde ele alır, vaka silme yanlılığını önler.
- Tam parametrik belirleme, hayatta kalma eğrilerinin ve medyan hayatta kalma süresi tahminlerinin gözlemlenen çalışma süresinin ötesine ekstrapolasyonunu sağlar.
- Hızlandırılmış arıza süresi parametrizasyonu, doğrudan yorumlanabilir zaman-oran katsayıları sağlar: bir kovaryant, beklenen olay süresini sabit bir faktörle çarpar.
- Olabilirlik tabanlı tahmin, rakip parametrik aileler arasında seçim için AIC/BIC model karşılaştırmasını destekler.
- Yaygın dağılımlar için kapalı form gradyanlarla hesaplama açısından verimlidir.
- Bir parametrik dağılım ailesi seçilmesini gerektirir; yanlış belirtilmiş bir dağılım, katsayı tahminlerini ve tahminlerini yanlı hale getirebilir.
- Gözlemlenen zaman aralığının dışına ekstrapolasyon, varsayılan kuyruk şekline duyarlıdır ve dikkatle raporlanmalıdır.
- Karışım veya parçalı bir model kullanılmadıkça karmaşık tehlike şekilleri için Cox regresyonundan daha az esnektir.
- Olay oranı düşük olduğunda büyük örnekler gereklidir, çünkü her parametre nispeten az sayıda olaydan tahmin edilir.
SSS
Hayatta kalma regresyonu Cox regresyonundan nasıl farklıdır?
Cox regresyonu yarı-parametrikdir: temel tehlike şeklini belirlemeden kovaryant etkilerini modeller, bu da onu sağlam kılar ancak ekstrapolasyona izin vermez. Hayatta kalma regresyonu tam parametrikdir: tehlike ailesini (örneğin, Weibull) belirler, ekstrapolasyona izin verir ve dağılımsal bir varsayım gerektirme maliyetiyle yorumlanabilir AFT zaman-oran katsayıları verir.
Sansürleme nedir ve neden önemlidir?
Sansürleme, olay süresinin yalnızca kısmen gözlemlendiği durumlarda meydana gelir - bir hasta olayı yaşamadan önce çalışmadan ayrılır, bu nedenle yalnızca minimum bir olay süresi bilinir. Sansürlenmiş gözlemleri atmak, sonuçları daha kısa hayatta kalma sürelerine doğru yanlı hale getirir. Hayatta kalma regresyonu, sansürlenmiş vakaları hayatta kalma fonksiyonu S(t) aracılığıyla olabilirlik içine dahil ederek sansürlemeyi doğru bir şekilde ele alır.
Doğru parametrik dağılımı nasıl seçerim?
AIC veya BIC kullanarak rakip dağılımları karşılaştırın ve Cox-Snell kalıntı grafikleriyle uyumu kontrol edin: iyi uyum sağlayan modeller, bir üstel(1) dağılımını izleyen kalıntılar üretir. Weibull ailesi, üsteli içerdiği ve monoton tehlike şekillerine izin verdiği için yaygın bir varsayılandır; log-normal veya log-lojistik, tepeli veya azalan tehlike modellerine uygundur.
Hayatta kalma regresyonu zamanla değişen kovaryantları ele alabilir mi?
Standart parametrik hayatta kalma regresyonu sabit kovaryantları varsayar. Zamanla değişen kovaryantlar, verileri aralık-bölünmüş bölümler halinde yeniden biçimlendirerek ve parçalı üstel veya benzeri bir model kullanarak karşılanabilir, ancak bu veri karmaşıklığını önemli ölçüde artırır.
Hızlandırılmış arıza süresi (AFT) modeli nedir?
Bir AFT modeli, hayatta kalma regresyonunu, kovaryantların tehlike yerine beklenen hayatta kalma süresini çarptığı (veya böldüğü) şekilde yeniden parametrelendirir. Örneğin, 1,5'lik bir zaman-oran katsayısı, kovaryantın medyan hayatta kalmayı %50 uzattığı anlamına gelir. Bu, klinik veya politika bağlamlarında genellikle bir tehlike oranından daha yorumlanabilirdir.
Kaynaklar
- Kalbfleisch, J. D., & Prentice, R. L. (2002). The Statistical Analysis of Failure Time Data (2nd ed.). Wiley. ISBN: 978-0471363576
- Cox, D. R., & Oakes, D. (1984). Analysis of Survival Data. Chapman and Hall. ISBN: 978-0412244902
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Parametric Survival Regression. ScholarGate. https://scholargate.app/tr/statistics/survival-regression
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Cox Orantılı Tehlike RegresyonuSağkalım↔ karşılaştır
- Kaplan-Meier Sağkalım TahmincisiSağkalım↔ karşılaştır
- Weibull Parametrik Sağkalım RegresyonuSağkalım↔ karşılaştır