생존 분석 및 수명 데이터 분석에 대한 큰 그림

생존 분석과 수명 데이터 분석에 대해 들었지만 큰 그림을 얻지는 못합니다.

그들이 어떤 주제를 다루고 있는지 궁금했습니다.

순수한 통계입니까, 아니면 특정 영역에 대한 통계의 적용입니까?

생년월일 분석은 생존 분석의 일부입니까?

감사합니다.

검열의 개념은 생존 분석 및 수명 데이터 분석의 핵심입니다. 이 문제는 산업 통계를 통해 발생할 수도 있습니다. 단위 샘플이 실패하는 데 걸리는 시간을 모니터링 할 때

• 완전한 데이터 : 장치가 고장난 정확한 시간을 알고 있습니다
• 오른쪽으로 검열 됨 : 장치 실패 시간이 현재 런타임을 초과합니다
• 왼쪽으로 검열 : 알려진 시간은 장치가 고장난 시간 이후입니다

데이터 믹스에 들어가는 다른 문제는

• 단일 검열 : 모든 실패한 장치의 공통 런타임
• 여러 검열 : 실패하지 않은 유닛의 실행 시간이 다릅니다
• 검열 간격 : 실패 시간은 특정 시간 사이에있는 것으로 알려져 있습니다.
• 검열 시간 : 검열 시간이 고정됨
• 검열 실패 : 고정 된 수의 장치가 고장 나면 테스트가 중단됩니다
• 경쟁 실패 모드 : 다른 이유로 샘플 장치가 실패합니다

이러한 상황을 처리 할 수있는 일반적인 분포는 lognormal, Weibull 및 극단 값입니다. MLE 및 Method of Moments 방법뿐만 아니라 분석을 처리하는 그래픽 절차가 있기 때문에 문제가 흥미로워집니다.

시스템 안정성은이 주제에서 파생 된 것으로 베이지안 방법, 갱신 이론 및 가속 수명 테스트에 관여합니다. Wayne Nelson과 Bill Meeker는이 주제에 관한 몇 가지 좋은 책을 가지고 있습니다.

생존 분석에 대해

생존 분석 또는 사건 발생 시간 분석에서 변수 또는 관심사는 질병에 의한 시작 시점에서 사망과 같은 관심 지점까지의 시간을 측정합니다. 따라서 반응 변수는 대부분의 경우 치우친 양의 변수입니다. 결과적으로 정규성에 대한 일반적인 가정은 실패하며, 예를 들어 고전적인 회귀 기술은 적용 할 수 없습니다. (때때로 변수를 변환하면 상황이 더 나아질 수 있습니다). 그러나 주요 차이점은 검열입니다 . 이벤트 시간 데이터를 처리 할 때 매우 일반적인 기능입니다. 가장 일반적인 형태 (오른쪽 검열)에서는 주어진 개인의 정확한 시간을 모르지만 특정 값 보다 큽니다 . 예를 들어, 환자가 사망 할 때까지 추적한다고 가정하십시오. 시간에$t^{\star}$$t=10$ 일, 그는 살아있다. 시간 일에 그는 여전히 살아 있지만 후속 조치를 잃는다. 그러면 정확한 사망 시간은 모르지만 이라는 것을 알고 있습니다. 검열을 무시하는 것은 분명히 최선의 생각이 아닙니다. 대신, 을 검열 된 관측치로 기록 할 수 있습니다 . 생존 분석 기법 (예 : Kaplan-Meier Estimator, Cox regression 등)은 검열을 처리하도록 특별히 설계되었습니다.$t=30$$t > 30$$t^{\star} = 30$

내 견해로 는 의료 연구에서 생존 데이터 모델링 은 생존 분석의 첫 번째 책으로서 매우 좋은 선택이지만 다른 많은 것들이 있습니다.

5, 10, 12+, 14, 17, 18+, 20+

생존 분석에 대한 첫 번째 근사치 설명 : 종속 변수에 (1) 정확한 값 (전체 관측치) 및 (2) 값이 주어진 임계 값 (검열 된 관측치) 이상인 것으로 알려진 데이터 분석. 상기는 생존 데이터 샘플 일 수 있으며, 값 +이 정확하게 알려지지 않은 값 ; 값 +이 많을수록 더 많지는 않지만 알려져 있습니다. (그리고 많은 확장이 있습니다.)

스키 넥 터디가 지적했듯이, 검열 은 생존 분석의 핵심 문제입니다. 데이터 세트에서 관측 중단없이 관찰하면 간단한 회귀 작업과는 차이가 없습니다. 이것은 또한 관심의 변수 제안 제한되지 않는다 시간 , 즉 , 그것은 등등 임금, 가격이 될 수 있습니다.$T$

따라서 생존 분석 대신에 검열 회귀 분석 또는 검열 분석이라고하는 것이 더 적절할 수 있습니다.