(당신이 인용 한 부분에서, 그 진술은 조건적인 것이 었습니다; 문장 자체는 지수 생존을 가정하지 않았으며, 그렇게 한 결과를 설명했습니다. 그럼에도 불구하고 지수 생존의 가정은 일반적이므로, "왜 지수 "및"정상이 아닌 이유 "-첫 번째 내용은 이미 잘 다루어 져 있으므로 두 번째 사항에 더 집중하겠습니다.
일반적으로 분포 된 생존 시간은 생존 시간이 음수가 될 확률이 0이 아니기 때문에 의미가 없습니다.
그런 다음 거의 0이 될 가능성이 거의없는 정규 분포로 고려를 제한하면 생존 시간이 짧을 가능성이있는 생존 데이터를 모델링 할 수 없습니다.
어쩌면 때때로 생존 시간이 짧을 가능성이 거의없는 생존 시간은 합리적 일 수 있지만 실제로는 합리적 인 분포가 필요합니다. 생존 시간의 분포). 수정되지 않은 정규 분포는 실제로 유용하지 않습니다.
[ 절단 된 법선은 보통 법선보다 합리적인 대략적인 근사치 일 수 있지만 다른 분포가 더 나은 경우가 많습니다.]
지수의 지속적인 위험은 때때로 생존 시간에 대한 합리적인 근사치입니다. 예를 들어, 사고와 같은 "임의의 사건"이 사망률의 주요 원인 인 경우 지수 생존은 상당히 잘 작동합니다. (예를 들어, 동물 집단 중에서도 포식과 질병은 적어도 대략 우연의 과정과 같이 작용하여 지수와 같은 것을 생존 시간에 대한 합리적인 첫 번째 근사치로 남겨 둡니다.)
정상과 관련하여 한 가지 추가 질문은 잘립니다. 정상이 적절하지 않은 경우 정규 제곱이 아닌 이유는 무엇입니까 (df sq with df 1)?
실제로 조금 더 나을 수도 있지만 ... 0에서 무한한 위험에 해당하므로 때로는 유용 할 것입니다. 매우 짧은 시간의 비율이 매우 높은 사례를 모델링 할 수는 있지만 일반적으로 평균 생존보다 훨씬 짧은 사례 만 모델링 할 수있는 문제가 있습니다 (생존 시간의 25 %는 평균 생존 시간의 10.15 % 미만이며 생존 시간의 절반은 평균의 45.5 % 미만입니다. 즉, 중간 생존은 평균의 절반보다 작습니다.)
스케일링 된 (즉, 모양 매개 변수가 감마)을 살펴 보겠습니다 .χ2112
[아마도 변이 중 두 개를 합하면 ... 비 중심 를 고려 하면 적절한 가능성을 얻을 수 있습니다. 지수 이외의 생존 시간에 대한 모수 분포의 일반적인 선택에는 Weibull, lognormal, gamma, log-logistic 등이 포함됩니다. Weibull과 감마는 지수를 특별한 경우로 포함합니다.] χ 2χ21χ2