Manipulační stroje

Kontaktujte nás:

Telefon: +420 731 406 821
E-mail: jandaniel@centrum.cz
Adresa: Dolní 256, 56169 Králíky

Modèle de survie non paramétrique

Let | $ hat {boldsymbol {alpha}} $ | être estimée par équation (2,3). Supposons que les modèles | $1, ldots, l $ |, où | $l lt m $ |, sont les seuls estimateurs et conditions uniformément cohérents (a1) – (a3) dans le matériel supplémentaire disponible à Biostatistics en ligne Hold, puis | $ sum _ {k = 1} ^ l hat {alpha} _ k rightarrow $1 |, dans probabilité, comme | $n rightarrow infty $ |. Andrew Wey, John Connett, Kyle Rudser; Combinaison de modèles de survie paramétriques, semi-paramétriques et non paramétriques avec des modèles de survie empilés, Biostatistics, volume 16, numéro 3, 1 juillet 2015, pages 537 – 549, https://doi.org/10.1093/biostatistics/kxv001 le test log-Rank compare la survie deux ou plusieurs groupes. Cet exemple utilise un test log-rank pour une différence de survie dans les groupes de traitement maintenus versus non maintenus dans les données AML. Le graphique montre les parcelles KM pour les données AML ventilées par groupe de traitement, ce qui est indiqué par la variable «x» dans les données. où nous appelons Λ * (τ) la fonction de risque cumulatif normalisé de la distribution de l`intervalle de contact. Avec la connaissance de n, les méthodes des deux sections précédentes pourraient être utilisées pour estimer λn (τ) et Λ * (τ). Dans Kenah (2011), il a été démontré que la probabilités paramétrique complète pour les modèles SEIR à action massive peut être approximative par probabilités qui ne dépendent que des données sur les individus infectés. Ici, nous dérivons des estimations non paramétriques approximatives de Λ * (τ) qui dépendent uniquement des données sur les individus infectés. Pour un nombre fixe m d`infections, ces approximations deviennent exactes dans la limite comme n → ∞.

Ainsi, ils peuvent être utilisés pour analyser les données des premiers stades d`une épidémie, lorsque m ≪ n. Une variété d`approches qui combinent plusieurs modèles, souvent appelés ensembles, ont été explorées dans le cadre non censuré. Une approche, appelée «empilage», détermine la moyenne pondérée optimale de plusieurs modèles en minimisant l`erreur prédite. Wolpert (1992) a introduit l`empilage dans le contexte des réseaux neuronaux, tandis que Breiman (1996) a étendu l`idée à des modèles de régression non censurés et a montré que l`empilage pourrait améliorer l`erreur de prédiction. En particulier, Breiman (1996) a constaté que la combinaison de modèles de régression fondamentalement différents, par exemple la régression des crêtes et la régression par sous-ensemble, avait la plus grande réduction de l`erreur de prédiction.