2-4- مدلهای شکنندگی برای دادههای بقای چندمتغیره 28
2-5- برآورد پارامترهای مدل شکنندگی مشترک کاکس با استفاده از الگوریتم … 31
2-6- مدلهای شکنندگی همبسته. 33
2-7- مدلهای شفایافته. 37
2-7-1- آزمون وجود افراد مصون. 43
2-7-2- آزمون کافی بودن پیگیری.. 43
8-2- تحلیل بقا طولانی مدت با مدل شکنندگی.. 44
2-8-1- مدلهای شفایافته شکنندگی یکمتغیره 44
2-8-2- مدلهای شفایافته شکنندگی دومتغیره 46
3- فصل سوم: مقدمهای بر رویکرد بیزی و روشهای عددی مونت کارلوی زنجیر مارکوفی.. 52
3-1- مقدمه. 52
3-2- استنباط بیزی.. 53
3-3- روشهای مونت کارلو. 55
3-4- روشهای مونت کارلوی زنجیر مارکوفی.. 57
3-4-1- نمونهگیری گیبس… 59
3-4-2- الگوریتم متروپولیس… 60
3-4-3- نمونهگیری رد و پذیرش… 61
3-4-4- روش باز نمونهگیری از نقاط مهم. 62
3-4-5- نمونهگیری ردی سازوار. 63
3-5- روشهای تشخیص همگرایی.. 63
3-5-1- آماره گلمن-روبین.. 64
3-5-2- آماره گویک… 65
3-6- مقایسه بیزی مدلها 66
3-6-1- معیار اطلاع بیزی.. 67
3-6-2- عامل بیزی.. 67
3-6-3- معیار میانگین پسین انحراف… 73
3-6-4- معیار اطلاع کیبش… 74
4- فصل چهارم: تحلیل بیزی مدلهای شکنندگی همبسته کاکس و شفایافته. 76
4-1- مقدمه. 76
4-2- مدل شکنندگی همبسته کاکس… 81
4-2-1- توزیع شرطی کامل .. 84
4-2-2- توزیع شرطی کامل .. 89
4-2-3- توزیع شرطی کامل . 90
4-2-4- توزیع شرطی کامل . 91
4-2-5- توزیع شرطی کامل ضرایب رگرسیونی رگرسیون .. 92
4-2-6- توزیع شرطی پارامترهای خطر مبنا . 93
4-3- مدلهای شکنندگی شفایافته. 94
4-3-1- تابع درستنمایی مدلهای شکنندگی همبسته شفایافته (با و بدون زمان پیشرفت) 96
4-3-2- توزیع شرطی کامل پارامترهای مدل شکنندگی همبسته شفایافته. 98
4-3-3- توزیع شرطی کامل پارامترهای مدل شکنندگی همبسته شفایافته با زمان پیشرفت… 99
4-4- شبیهسازی.. 100
4-4-1- مدل شکنندگی همبسته کاکس… 101
4-4-2- مدل شکنندگی همبسته شفایافته. 106
4-4-3- مدل شکنندگی همبسته شفایافته با زمان پیشرفت… 110
5- فصل پنجم: بحث و نتیجهگیری.. 115
فهرست جداول
جدول 4–1: مقایسه مقادیر واقعی و مقادیر برآورد شده در مدل شکنندگی همبسته کاکس… 102
جدول 4–2: مقایسه مقادیر واقعی و مقادیر برآورد شده در مدل شکنندگی همبسته شفایافته. 106
جدول 4–3: مقایسه مقادیر واقعی و مقادیر برآورد شده در مدل شکنندگی همبسته شفایافته با زمان پیشرفت.. 110
جدول 4–4: معیار اطلاع انحرافی برای مدلهای شکنندگی همبسته کاکس و شفایافته با توزیع خطر نمایی تکهای.. 114
فهرست شکلها
شکل 1–1: زمان بقا 3
شکل 1–2 منحنی بقا 8
یک مطلب دیگر :
شکل 3–1: تابع لگ مقعر. 63
شکل 4–1: نمودارهای تابع چگالی حاشیهای پسین بر اساس 10 هزار نمونه شبیهسازی شده 103
شکل 4–2: نمودار اثر مقادیر شبیهسازی شده بر اساس یک زنجیر با 10 هزار تکرار. 104
شکل 4–3: نمودار خودهمبستگی بر اساس 10 هزار نمونه شبیهسازی شده 105
شکل 4–4: نمودارهای تابع چگالی حاشیهای پسین بر اساس 10 هزار نمونه شبیهسازی شده 107
شکل 4–5: نمودار اثر مقادیر شبیهسازی شده بر اساس یک زنجیر با 10 هزار تکرار. 108
شکل 4–6: نمودار خودهمبستگی بر اساس 10 هزار نمونه شبیهسازی شده 109
شکل 4–7: نمودارهای تابع چگالی حاشیهای پسین بر اساس 10 هزار نمونه شبیهسازی شده 111
شکل 4–8: نمودار اثر مقادیر شبیهسازی شده بر اساس یک زنجیر با 10 هزار تکرار. 112
شکل 4–9: نمودار خودهمبستگی بر اساس 10 هزار نمونه شبیهسازی شده 113
چکیده
عوامل خطر ناشناخته و یا غیر قابل اندازهگیری در تحلیل بقا، باعث کمبرآوردی برآوردهای رگرسیون در مدلهای خطر میگردند. برای رفع این مسئله یک متغیر تصادفی به نام اثر شکنندگی به عنوان نماینده عوامل خطر ناشناخته، به صورت ضربی در مدل خطر وارد میکنند و مدلهای خطر اصلاح شده را مدلهای شکنندگی مینامند. همچنین گاهی در تحلیل دادههای بقا افراد با بقا طولانی مدت حضور دارند که در اینگونه از دادهها بعضی از افراد جامعه با گذشت زمان هرگز پیشامد مورد نظر را تجربه نمیکنند. به عنوان مثال همه افراد عضو پیوندی را دفع نمیکنند. لذا مدلهای شفایافته به منظور تحلیل دادهای بقا با چنین ویژگیهایی ارائه گردید. در تحلیل بقا مدلهای شفایافتگی در دو دسته کلی 1- مدلهای شفایافتگی آمیخته 2- مدلهای شفایافتگی ناآمیخته ارائه شدهاند. در پایاننامه حاضرهدف ما ارائه مدلی میباشد که در آن علاوه بر نسبت شفایافتگی، عوامل خطر ناشناخته را نیز در نظر میگیرد. در این پایان نامه مدل شکنندگی کاکس، مدل شکنندگی همبسته شفایافته و مدل شکنندگی همبسته شفایافته با زمان پیشرفت را ارائه خواهیم کرد. لازم به ذکر است که در این سه مدل توزیع شکنندگی مشترک گاما را استفاده خواهیم کرد. در ادامه برای هر سه مدل ارائه شده رهیافت بیزی را به کار بسته و با در نظر گرفتن پیشینهای مناسب، در صورت امکان توزیعهای شرطی کامل هر یک از پارامترها را بدست خواهیم آورد. از آنجایی که توزیعهای شرطی کامل اکثر پارامترهای مدل دارای فرم پیچیدهای میباشد، برای برآورد پارامترهای مدل از روشهای مونت کارلوی زنجیر مارکوفی استفاده میکنیم. در نهایت با استفاده از یک مثال شبیه سازی اعتبار برآوردهای بدست آمده و همچنین رهیافت بیزی به کارگرفته شده برای هر سه مدل را مورد ارزیابی قرار داده و نتایج حاصل با استفاده از معیار در هر سه مدل مورد مقایسه قرار میگیرد.
Abstract
Unknown hazard or non-measurable factors in survival analysis, cause underestimation in regression estimate in hazard models. To solve this problem, a random variable called frailty multiplicatively is enter to the model as representative of unknown hazard factor and this modified model calls frailty model. Also, sometimes in survival data analysis, there are people with longer survival which in these kinds of data, some people of population do not experience any of target events as time goes on. For instance, all people do not experience the rejection of transplantation organism. So, cure models are represented to analyze this kind of data. In survival analysis, cure models are presented in two categories: 1- mixture cure models and 2- non-mixture cure models. In this thesis, our goal is to present a model with that in addition to cure‘s ratio, consider the unknown hazard factors. In this part Cox frailty model, correlated cure frailty model, and correlated cure frailty model with time of progress will be represented. It should be mention that in these three models, common gamma frailty distribution is used. Then, for all three models, Bayesian approach is applied with regret to considering the appropriate prior distributions and conditional distribution is calculated, if it was possible, for each parameters. Since the complete conditional distribution of most of the parameters has complicated form, Markov Chain Monte Carlo methods are used to estimate model’s parameters. Finally, the validity of estimations and the used Bayesian approach for all three models are obtain through using a simulation example and the results are compared by using DIC criterion.
1-1- مقدمه
یكی از انواع دادهها كه مورد علاقهی شدید محققین است، اهمیت دادن به فاصله زمانی تا وقوع بعضی حوادث مانند مرگ و میر و غیره میباشد، یعنی پرداختن و توجه نمودن به گروهی از افراد به طوری كه پس از مدتی برای هركدام از آن ها یك نقطهی زمانی به نام شكست یا وقوع حادثه تعریف میگردد. شكست یا حادثهی مورد نظر میتواند حداكثر یك بار برای هر فرد اتفاق افتد. به عنوان مثال، طول عمر یك ماشین صنعتی، اولین زمان مراجعهی یك اتومبیل نو به تعمیرگاه و غیره از جمله مواردی است كه میتواند مصداق شكست یا واقعهی مورد نظر باشد. از آن جایی كه این روشها در ابتدا غالباً برای مطالعات مرگ و میر به كار برده میشد و اصلاً بدین منظور طراحی گردیده بود، نام تجزیه و تحلیل زمان بقا بر آن نهاده شده است.
تحلیل بقا، مجموعهای از تکنیکهای آماری متنوع، جهت تحلیل متغیرهای تصادفی است که دارای مقادیر نامنفی میباشند. نوعاً مقدار این متغیرهای تصادفی، زمان شکست یک مولفه فیزیکی (مکانیکی یا الکتریکی) و یا زمان مرگ یک واحد بیولوژیک (سلول، بیمار، حیوان و غیره) میباشد. ممکن است این متغیر، زمان یادگیری یک مهارت باشد، یا حتی امکان دارد به زمان هیچ ارتباطی نداشته باشد. برای مثال، متغیر می تواند مبلغ پرداختی یک شرکت بیمه در وضعیت خاصی باشد.
در تحلیل دادههای بقا مسئله اصلی یافتن مدل مناسبی برای همبستگی زمان بقا با متغیرهای مختلف
میباشد. لذا ابتدا زمان بقا را تعریف نموده سپس توابع بقا را معرفی مینماییم.
در مطالعات کاربردی تنها وقوع پیشامد، نظیر مرگ، مدنظر نیست بلکه زمان وقوع نیز مطرح میشود که به زمان بقا معروف است. به عبارت دیگر زمان بقا، یک متغیر تصادفی نامنفی است که فاصلهی زمانی بین شروع و وقوع یک پدیدهی خاص را اندازهگیری میکند.
اصولاً برای تعیین زمان بقا ، به سه عنصر اساسی نیاز است:
[چهارشنبه 1399-07-30] [ 11:40:00 ب.ظ ]
|