প্রধান অন্যান্য সময়-থেকে-ইভেন্ট ডেটা বিশ্লেষণ

সময়-থেকে-ইভেন্ট ডেটা বিশ্লেষণ

ওভারভিউ

সফটওয়্যার

বর্ণনা

ওয়েবসাইট

পঠন

পাঠ্যধারাগুলি

ওভারভিউ

এই পৃষ্ঠাটি সংক্ষিপ্তভাবে কয়েকটি সিরিজের প্রশ্নের বর্ণনা দিয়েছে যা সময়-টু-ইভেন্টের ডেটা বিশ্লেষণ করার সময় বিবেচনা করা উচিত এবং আরও তথ্যের জন্য একটি টীকাযুক্ত সংস্থান তালিকা সরবরাহ করে।

বর্ণনা

টাইম-টু-ইভেন্ট (টিটিই) ডেটা সম্পর্কে অনন্য কী?

টাইম-টু-ইভেন্ট (টিটিই) ডেটা অনন্য কারণ কারণ আগ্রহের ফলাফল কেবল কোনও ঘটনা ঘটেছিল বা না ঘটে তা নয়, যখন সেই ঘটনাটি ঘটেছিল তাও। লজিস্টিক এবং লিনিয়ার রিগ্রেশনের ditionতিহ্যগত পদ্ধতিগুলি ইভেন্ট এবং সময় উভয় দিককে মডেলের ফলাফল হিসাবে অন্তর্ভুক্ত করতে সক্ষম হওয়ার পক্ষে উপযুক্ত নয়। Ditionতিহ্যবাহী রিগ্রেশন পদ্ধতিগুলি সেন্সরিং পরিচালনা করতেও সজ্জিত নয়, একটি বিশেষ ধরণের অনুপস্থিত ডেটা যা সময়-প্রতি-ইভেন্ট বিশ্লেষণে ঘটে যখন বিষয়গুলি ফলো-আপ সময়টিতে আগ্রহের ঘটনাটি अनुभव না করে। সেন্সরিংয়ের উপস্থিতিতে, ইভেন্টের আসল সময়টি হ্রাস করা হয় না। টিটিই তথ্যের জন্য বিশেষ কৌশলগুলি যেমন নীচে আলোচনা করা হবে সেগুলি সেন্সরযুক্ত ডেটা সহ প্রতিটি বিষয়ে আংশিক তথ্য ব্যবহার করতে এবং পক্ষপাতহীন বেঁচে থাকার অনুমান সরবরাহ করার জন্য তৈরি করা হয়েছে। এই কৌশলগুলি বিষয়গুলিতে একাধিক সময় পয়েন্ট থেকে ডেটা সংযুক্ত করে এবং সরাসরি হার, সময় অনুপাত এবং বিপদ অনুপাত গণনা করতে ব্যবহার করা যেতে পারে।

সময়-থেকে-ইভেন্টের ডেটাগুলির জন্য গুরুত্বপূর্ণ পদ্ধতিগত বিবেচ্য বিষয়গুলি কী কী?

ইভেন্ট বা বেঁচে থাকার ডেটা বিশ্লেষণে 4 টি প্রধান পদ্ধতিগত বিবেচনা রয়েছে। লক্ষ্য ইভেন্ট, সময় উত্স, সময় স্কেল এবং অংশগ্রহণকারীরা কীভাবে অধ্যয়ন থেকে বেরিয়ে আসবে তা বর্ণনা করার একটি স্পষ্ট সংজ্ঞা থাকা গুরুত্বপূর্ণ। এগুলি একবার সংজ্ঞায়িত হয়ে গেলে বিশ্লেষণ আরও সোজা-এগিয়ে যায় forward সাধারণত একটি একক লক্ষ্য ইভেন্ট থাকে, কিন্তু বেঁচে থাকার বিশ্লেষণের এক্সটেনশনগুলি এমন একাধিক ইভেন্ট বা পুনরাবৃত্ত ইভেন্টগুলির জন্য মঞ্জুরি দেয়।

সময়ের উত্স কী?

সময় উত্স হল সেই বিন্দু যেখানে ফলো-আপ সময় শুরু হয়। টিটিই তথ্য বিভিন্ন সময় উত্সকে নিয়োগ করতে পারে যা মূলত অধ্যয়নের নকশার দ্বারা নির্ধারিত হয়, যার প্রতিটি সম্পর্কিত সুবিধা এবং ত্রুটি রয়েছে। উদাহরণগুলির মধ্যে বেসলাইন সময় বা বেসলাইন বয়স অন্তর্ভুক্ত। সময়ের উত্স নির্ধারণকারী বৈশিষ্ট্য যেমন এক্সপোজার বা ডায়াগনোসিসের সূচনা হিসাবেও নির্ধারণ করা যায়। ফলাফলটি যদি সেই বৈশিষ্ট্যের সাথে সম্পর্কিত হয় তবে এটি প্রায়শই একটি প্রাকৃতিক পছন্দ। অন্যান্য উদাহরণগুলির মধ্যে জন্ম এবং ক্যালেন্ডার বছর অন্তর্ভুক্ত। কোহোর্ট অধ্যয়নের জন্য, সময়-স্কেলটি সাধারণত অধ্যয়নের সময়।

অধ্যয়নের সময় বাদে সময় স্কেল করার জন্য অন্য বিকল্প আছে কি?

বয়স হ'ল সাধারণভাবে ব্যবহৃত সময়-স্কেল, যেখানে বেসলাইন বয়স হল সময় উত্স এবং ব্যক্তিরা তাদের ইভেন্টে বা সেন্সর করার বয়সে প্রস্থান করে। টাইম স্কেল হিসাবে বয়সের মডেলগুলিকে ক্যালেন্ডারের প্রভাবগুলির জন্য সামঞ্জস্য করা যেতে পারে। কিছু লেখক সুপারিশ করেন যে বয়স অধ্যয়নের সময় না করে সময়কে স্কেল হিসাবে ব্যবহার করা উচিত কারণ এটি কম পক্ষপাতমূলক অনুমান দিতে পারে।

সেন্সরিং কি?

বেঁচে থাকার বিশ্লেষণের জন্য নির্দিষ্ট চ্যালেঞ্জগুলির মধ্যে একটি হ'ল অধ্যয়ন শেষে কেবলমাত্র কিছু ব্যক্তি ইভেন্টটি অনুভব করতে পারবেন এবং তাই বেঁচে থাকার সময় অধ্যয়ন গোষ্ঠীর উপগ্রহের জন্য অজানা। এই ঘটনাটিকে সেন্সরিং বলা হয় এবং নিম্নলিখিত উপায়ে উত্থাপিত হতে পারে: অধ্যয়নরত অংশগ্রহণকারী এখনও গবেষণার সমাপ্তির দ্বারা প্রাসঙ্গিক বা মৃত্যুর মতো প্রাসঙ্গিক ফলাফল অনুভব করতে পারেন নি; অধ্যয়নের সময়কালে অধ্যয়নের অংশগ্রহণকারী ফলোআপ করতে হারিয়ে যায়; বা, অধ্যয়নকারী অংশগ্রহণকারী একটি পৃথক ঘটনা অনুভব করে যা আরও ফলোআপকে অসম্ভব করে তোলে। এই জাতীয় সেন্সর করা অন্তর সময় ইভেন্টের আসল কিন্তু অজানা সময়টিকে মূল্যহীন করে। বেশিরভাগ বিশ্লেষণমূলক পদ্ধতির জন্য, সেন্সরিং এলোমেলো বা অ-তথ্যমূলক বলে ধরে নেওয়া হয়।

সেন্সরিংয়ের তিনটি প্রধান ধরণ রয়েছে, ডান, বাম এবং অন্তর। ঘটনাগুলি যদি অধ্যয়নের শেষের বাইরে ঘটে থাকে তবে ডেটাটি সেন্সর করা। ঘটনাটি পর্যবেক্ষণ করা হলে বাম-সেন্সর করা ডেটা ঘটে তবে সঠিক ইভেন্টের সময়টি অজানা। ইভেন্টটি পর্যবেক্ষণ করা হলে বিরতি-সেন্সর করা ডেটা ঘটে, তবে অংশগ্রহণকারীরা পর্যবেক্ষণের বাইরে এসে উপস্থিত হন, সুতরাং ইভেন্টের সঠিক সময়টি অজানা। বেশিরভাগ বেঁচে থাকার বিশ্লেষণমূলক পদ্ধতিগুলি ডান-সেন্সর করা পর্যবেক্ষণের জন্য ডিজাইন করা হয়েছে, তবে বিরতি এবং বাম-সেন্সর করা ডেটার জন্য পদ্ধতিগুলি উপলভ্য।

আগ্রহের প্রশ্ন কী?

বিশ্লেষণাত্মক সরঞ্জামের পছন্দটি আগ্রহের গবেষণা প্রশ্ন দ্বারা পরিচালিত হওয়া উচিত। টিটিই ডেটা সহ, গবেষণা প্রশ্নটি বিভিন্ন রূপ নিতে পারে, যা কোনটি বেঁচে থাকার কাজটি গবেষণা প্রশ্নের সবচেয়ে প্রাসঙ্গিক তা প্রভাবিত করে। টিটিই ডেটার জন্য আগ্রহী হতে পারে এমন তিনটি গবেষণা প্রশ্নগুলির মধ্যে রয়েছে:

  1. কোন নির্দিষ্ট অনুপাতের পরে কোন অংশের লোকেরা ইভেন্ট থেকে মুক্ত থাকবে?

  2. নির্দিষ্ট সময়ের পরে কোন অনুপাতের ঘটনাটি ঘটবে?

  3. যারা নির্দিষ্ট সময় পর্যন্ত বেঁচে গেছেন তাদের মধ্যে সময়ে কোনও নির্দিষ্ট সময়ে ইভেন্টটির ঝুঁকি কী?

এই প্রতিটি প্রশ্নের বেঁচে থাকার বিশ্লেষণে ব্যবহৃত বিভিন্ন ধরণের ফাংশনের সাথে মিল রয়েছে:

  1. বেঁচে থাকার ফাংশন, এস (টি): সম্ভাব্যতা যে কোনও ব্যক্তি সময়ের বাইরেও বেঁচে থাকতে পারে [প্রি (টি> টি)]

  2. সম্ভাব্যতা ঘনত্ব ফাংশন, এফ (টি), বা সংক্ষিপ্ত ঘটনা ফাংশন, আর (টি): সম্ভবত যে কোনও ব্যক্তির বেঁচে থাকার সময় টির চেয়ে কম বা সমান হবে [প্রি (টিট)]

  3. হ্যাজার্ড ফাংশন, এইচ (টি): সময়ে ইভেন্টের অভিজ্ঞতা অর্জনের তাত্ক্ষণিক সম্ভাবনা, সেই সময় বেঁচে থাকার শর্তাধীন

  4. সংশ্লেষিত হ্যাজার্ড ফাংশন, এইচ (টি): বিপদ ফাংশনের অবিচ্ছেদ্য সময় 0 থেকে সময় t, যা 0 এবং সময় t এর মধ্যে বক্র h (টি) এর অধীনে অঞ্চল সমান হয়

এই ফাংশনগুলির মধ্যে একটিটি জানা থাকলে, অন্যান্য ফাংশনগুলি নিম্নলিখিত সূত্রগুলি ব্যবহার করে গণনা করা যেতে পারে:

এস (টি) = 1 - এফ (টি) বেঁচে থাকার ফাংশন এবং সম্ভাবনার ঘনত্ব ফাংশনটির যোগফল 1 হয়

h (t) = f (t) / S (t) তাত্ক্ষণিক বিপদ এর শর্তহীন সম্ভাবনার সমান

টি সময়ে ইভেন্টের অভিজ্ঞতা, সময়কে টি দ্বারা জীবিত ভগ্নাংশ দ্বারা মাপা

এইচ (টি) = -লগ [এস (টি)] ক্রমবর্ধমান বিপদ ফাংশন বেঁচে থাকার নেতিবাচক লগের সমান

ফাংশন

এস (টি) = ই – এইচ (টি) বেঁচে থাকার ক্রিয়াটি বিস্ফোরিত নেতিবাচক ক্রমবর্ধমান বিপদের সমান

ফাংশন

এই রূপান্তরগুলি বেঁচে থাকার বিশ্লেষণ পদ্ধতিতে প্রায়শই ব্যবহৃত হয়, যেমন নীচে আলোচনা করা হবে। সাধারণত, এইচ (টি) বৃদ্ধি, তাত্ক্ষণিক বিপদ, এইচ (টি), ক্রমবর্ধমান বিপদ, যা বেঁচে থাকার কাজটি এস (টি) এর হ্রাস হিসাবে অনুবাদ করে, বাড়িয়ে তোলে।

সময়-থেকে-ইভেন্টের ডেটার জন্য মানক কৌশলগুলি ব্যবহার করার জন্য কী অনুমান করা উচিত?

টিটিই তথ্য বিশ্লেষণের মূল অনুমান হ'ল অ-তথ্যবহুল সেন্সরিং: সেন্সরযুক্ত ব্যক্তিরা গবেষণায় অবতীর্ণ ব্যক্তিদের মতো পরবর্তী ঘটনার অভিজ্ঞতা লাভের একই সম্ভাবনা থাকে। তথ্যবহুল সেন্সরিং অ-অজ্ঞাত অনুপস্থিত ডেটার সাথে সাদৃশ্যপূর্ণ, যা বিশ্লেষণকে পক্ষপাতিত্ব করবে। সেন্সরিং অ-তথ্যমূলক কিনা তা পরীক্ষা করার সঠিক কোনও উপায় নেই, যদিও সেন্সরিংয়ের ধরণগুলি অন্বেষণ করা ইঙ্গিত দিতে পারে যে তথ্যহীন সেন্সরিংয়ের অনুমিতি যুক্তিযুক্ত কিনা whether যদি তথ্যবহুল সেন্সরিংয়ের সন্দেহ হয় তবে সংবেদনশীলতা বিশ্লেষণগুলি যেমন সেরা ক্ষেত্রে এবং সবচেয়ে খারাপ পরিস্থিতিগুলি বিশ্লেষণে তথ্যমূলক সেন্সরিংয়ের প্রভাবটি পরিমাপ করার জন্য ব্যবহার করা যেতে পারে।

টিটিই ডেটা বিশ্লেষণ করার সময় আর একটি ধারণা হ'ল পর্যাপ্ত পরিসংখ্যানগত শক্তির জন্য পর্যাপ্ত ফলোআপ সময় এবং ইভেন্টের সংখ্যা রয়েছে। এটি অধ্যয়ন নকশা পর্যায়ে বিবেচনা করা প্রয়োজন, কারণ বেশিরভাগ বেঁচে থাকার বিশ্লেষণগুলি কোহোর্ট স্টাডির উপর ভিত্তি করে।

অতিরিক্ত সরলকরণ অনুমানগুলি উল্লেখযোগ্য, কারণ এগুলি প্রায়শই বেঁচে থাকার বিশ্লেষণের ওভারভিউতে করা হয়। এই অনুমানগুলি বেঁচে থাকার মডেলগুলিকে সরল করার সময়, তাদের টিটিই ডেটা দিয়ে বিশ্লেষণ পরিচালনা করা প্রয়োজন হয় না। এই অনুমানগুলি লঙ্ঘন করা হলে উন্নত কৌশলগুলি ব্যবহার করা যেতে পারে:

  • বেঁচে থাকার কোনও প্রভাব নেই: দীর্ঘ নিয়োগের সময়কালের জন্য, ধরে নেওয়া যাক যে ব্যক্তিরা প্রথম দিকে যোগদান করেন তাদের দেরিতে যোগদানের চেয়ে একই বেঁচে থাকার সম্ভাবনা থাকে

  • শুধুমাত্র ডেটাতে রাইট সেন্সরিং

  • ইভেন্টগুলি একে অপরের থেকে স্বতন্ত্র

বেঁচে থাকার বিশ্লেষণের জন্য কোন ধরণের পদ্ধতির ব্যবহার করা যেতে পারে?

টিটিই ডেটা বিশ্লেষণের জন্য তিনটি প্রধান পন্থা রয়েছে: নন-প্যারামেট্রিক, আধা-প্যারামেট্রিক এবং প্যারামেট্রিক পদ্ধতির। কোন পদ্ধতির ব্যবহারের পছন্দটি আগ্রহের গবেষণা প্রশ্ন দ্বারা চালিত হওয়া উচিত। প্রায়শই একই বিশ্লেষণে একাধিক পদ্ধতির যথাযথভাবে ব্যবহার করা যেতে পারে।

বেঁচে থাকার বিশ্লেষণে অ-প্যারাম্যাট্রিক পদ্ধতিগুলি কী এবং সেগুলি কখন উপযুক্ত?

নন-প্যারাম্যাট্রিক পদ্ধতিগুলি অন্তর্নিহিত জনগোষ্ঠীতে প্যারামিটারগুলির আকার বা ফর্ম সম্পর্কে অনুমানের উপর নির্ভর করে না। বেঁচে থাকার বিশ্লেষণে, বেঁচে থাকার সময়গুলির মধ্যবর্তী এবং চতুর্ভুজগুলির পাশাপাশি বেঁচে থাকার ফাংশন, এস (টি) অনুমান করে ডেটা বর্ণনার জন্য নন-প্যারাম্যাট্রিক পদ্ধতির ব্যবহার করা হয়। সেন্সরিংয়ের কারণে এই বর্ণনামূলক পরিসংখ্যানগুলি সরাসরি ডেটা থেকে গণনা করা যায় না, যা সেন্সরযুক্ত বিষয়ে সত্যিকারের বেঁচে থাকার সময়কে অবমূল্যায়ন করে, যার গড়, মধ্যমা এবং অন্যান্য বর্ণনাকারীর স্কিউ অনুমানের দিকে পরিচালিত করে। অ-প্যারাম্যাট্রিক পদ্ধতিগুলি প্রায়শই নিরপেক্ষ বর্ণনামূলক বর্ণনামূলক পরিসংখ্যান তৈরির জন্য বিশ্লেষণের প্রথম পদক্ষেপ হিসাবে ব্যবহৃত হয় এবং প্রায়শই সেমি-প্যারামেট্রিক বা প্যারাম্যাট্রিক পদ্ধতির সাথে একত্রে ব্যবহৃত হয়।

কাপলান-মেয়ার অনুমানকারী

সাহিত্যে সর্বাধিক সাধারণ অ-প্যারাম্যাট্রিক পদ্ধতি হ'ল কাপলান-মিয়ার (বা পণ্য সীমা) অনুমানকারী। কাপলান-মেয়ের অনুমানক পর্যবেক্ষণ ইভেন্ট সময়ের উপর ভিত্তি করে এক ধরণের পদক্ষেপ / ব্যবধানে এস (টি) এর অনুমান ভেঙে কাজ করে। ঘটনাটি না ঘটে বা সেন্সর হওয়া পর্যন্ত পর্যবেক্ষণগুলি এস (টি) এর অনুমানে অবদান রাখে। প্রতিটি ব্যবধানের জন্য, বিরতিটির শেষ অবধি গণনা করা বেঁচে থাকার সম্ভাবনা গণ্য করা হয়, প্রদত্ত বিষয়গুলি অন্তরটির শুরুতে ঝুঁকিতে থাকে (এটি সাধারণত পিজে = (এনজে - ডিজে) / এনজে হিসাবে চিহ্নিত হয়)। টির প্রতিটি মানের জন্য আনুমানিক এস (টি) প্রতিটি ব্যবধান বেঁধে দেওয়া এবং সময় টি সহ অন্তর্ভুক্ত als অ-তথ্যমূলক সেন্সরিংয়ের পাশাপাশি এই পদ্ধতির মূল অনুমানগুলি হ'ল সেন্সরিং ব্যর্থতার পরে ঘটে এবং বেঁচে থাকার কোনও প্রকারের প্রভাব থাকে না, তাই বিষয়গুলি অধ্যয়নকালে কখনই আসে তা নির্বিশেষে একই বেঁচে থাকার সম্ভাবনা থাকে।

কাপ্লান-মিয়ার পদ্ধতি থেকে অনুমান করা এস (টি) এক্স-অক্ষের সাথে সময় সহ ধাপে ধাপে ফাংশন হিসাবে প্লট করা যেতে পারে। এই প্লটটি কোহোর্টের বেঁচে থাকার অভিজ্ঞতাটি কল্পনা করার একটি দুর্দান্ত উপায় এবং এটি মিডিয়েন (যখন এস (টি) ≤0.5) বা বেঁচে থাকার সময়ের চৌকোটি অনুমান করার জন্যও ব্যবহার করা যেতে পারে। এই বর্ণনামূলক পরিসংখ্যানগুলি সরাসরি কাপলান-মিয়ার অনুমানক ব্যবহার করেও গণনা করা যায়। এস (টি) -এর জন্য 95% আত্মবিশ্বাসের ব্যবধানগুলি (সিআই) এস (টি) এর রূপান্তরগুলির উপর নির্ভর করে যে 95% সিআই 0 এবং 1 এর মধ্যে রয়েছে তা সাহিত্যে গ্রীনউড অনুমানকারী।

লাইফ টেবিল অনুমান

বেঁচে থাকার কাজটির লাইফ টেবিল অনুমানক প্রয়োগকৃত পরিসংখ্যান পদ্ধতির প্রাথমিকতম উদাহরণগুলির মধ্যে একটি, এটি বৃহত জনগোষ্ঠীতে মৃত্যুর হার বর্ণনা করতে 100 বছরেরও বেশি সময় ধরে ব্যবহৃত হয়ে আসছে। লাইফ টেবিল অনুমানকারী কাপলান-মেয়ার পদ্ধতির অনুরূপ, অন্তরগুলি পর্যবেক্ষিত ইভেন্টগুলির পরিবর্তে ক্যালেন্ডারের সময়ের উপর ভিত্তি করে। যেহেতু লাইফ টেবিল পদ্ধতিগুলি এই ক্যালেন্ডার ব্যবধানগুলির উপর ভিত্তি করে, এবং পৃথক ঘটনা / সেন্সরিং সময়গুলির উপর ভিত্তি করে নয়, এই পদ্ধতিগুলি এস (টি) অনুমান করার জন্য অন্তর প্রতি গড় ঝুঁকি সেট আকার ব্যবহার করে এবং অবশ্যই ধরে নিতে হবে যে ক্যালেন্ডারের সময়ের ব্যবধানে সেন্সরটি অভিন্নভাবে ঘটেছে। এই কারণে, লাইফ টেবিলের অনুমানকটি কাপলান-মিয়ার অনুমানকারীর মতো যথাযথ নয়, তবে ফলাফলগুলি খুব বড় নমুনায় সমান হবে।

নেলসন-আলেেন অনুমানক

কাপলান-মিয়ারের আর একটি বিকল্প হ'ল নেলসন-অ্যালেন অনুমানক, যা সংশ্লেষিত বিপদ কার্যকারিতা, এইচ (টি) অনুমান করার জন্য একটি গণনা প্রক্রিয়া পদ্ধতির ব্যবহারের উপর ভিত্তি করে তৈরি। এইচ (টি) এর অনুমানটি তখন এস (টি) অনুমান করতে ব্যবহার করা যেতে পারে। এই পদ্ধতিটি ব্যবহার করে প্রাপ্ত এস (টি) এর অনুমানগুলি সবসময় কে-এম অনুমানের চেয়ে বেশি হবে তবে বড় নমুনায় দুটি পদ্ধতির মধ্যে পার্থক্যটি ছোট হবে।

অ-পরিবর্তনশীল বা মাল্টিভারিয়াল বিশ্লেষণের জন্য নন-প্যারাম্যাট্রিক পদ্ধতির ব্যবহার করা যেতে পারে?

কাপলান-মিয়ার অনুমানকারীের মতো নন-প্যারাম্যাট্রিক পদ্ধতিগুলি আগ্রহের শ্রেণিবদ্ধ কারণগুলির জন্য অবিচ্ছিন্ন বিশ্লেষণ পরিচালনা করতে ব্যবহৃত হতে পারে। কারণগুলি অবশ্যই শ্রেণিবদ্ধ হতে হবে (প্রকৃতিতে বা একটানা পরিবর্তনশীলকে বিভাগে বিভক্ত করা হবে) কারণ বেঁচে থাকার ফাংশন, এস (টি), শ্রেণিবদ্ধ ভেরিয়েবলের প্রতিটি স্তরের জন্য অনুমান করা হয় এবং তারপরে এই গ্রুপগুলির মধ্যে তুলনা করা হয়। প্রতিটি গ্রুপের জন্য আনুমানিক (টি) প্লট করা যেতে পারে এবং চাক্ষুষভাবে তুলনা করা যায়।

বেঁচে থাকা কার্ভগুলির মধ্যে পার্থক্যটি পরিসংখ্যানগতভাবে পরীক্ষার জন্য র্যাঙ্ক-ভিত্তিক পরীক্ষাগুলিও ব্যবহার করা যেতে পারে। এই পরীক্ষাগুলি দলগুলি জুড়ে প্রতিটি সময় পর্যবেক্ষণকৃত এবং প্রত্যাশিত ইভেন্টগুলির তুলনা করে, নাল অনুমানের অধীনে যে বেঁচে থাকার কাজগুলি গ্রুপগুলিতে সমান। এই র‌্যাঙ্ক-ভিত্তিক পরীক্ষাগুলির বেশ কয়েকটি সংস্করণ রয়েছে, যা পরীক্ষার পরিসংখ্যানের গণনার প্রতিটি সময় পয়েন্টকে দেওয়া ওজনের চেয়ে পৃথক। সাহিত্যে দেখা সবচেয়ে সাধারণ দুটি র‌্যাঙ্ক-ভিত্তিক পরীক্ষাগুলি হ'ল লগ র‌্যাঙ্ক পরীক্ষা, যা প্রতিটি সময় পয়েন্টকে সমান ওজন দেয় এবং উইলকক্সন পরীক্ষা, যা ঝুঁকিতে থাকা বিষয়ের সংখ্যার দ্বারা প্রতিবারের পয়েন্টকে ওজন দেয়। এই ওজনের উপর ভিত্তি করে, উইলকক্সন পরীক্ষা অনুচ্ছেদের প্রথমদিকে বক্ররেখার মধ্যে পার্থক্যের প্রতি আরও সংবেদনশীল, যখন আরও বিষয় ঝুঁকিতে থাকে। অন্যান্য পরীক্ষাগুলি, পেতো-প্রেন্টাইস পরীক্ষার মতো, লগ র‌্যাঙ্ক এবং উইলকক্সন পরীক্ষার মধ্যে ওজন ব্যবহার করে। র‌্যাঙ্ক-ভিত্তিক পরীক্ষাগুলি অতিরিক্ত ধারনা সাপেক্ষে যে সেন্সরিং গ্রুপ থেকে স্বতন্ত্র, এবং বেঁচে থাকা কার্ভগুলি অতিক্রম করার সময় গ্রুপগুলির মধ্যে পার্থক্য সনাক্ত করার জন্য সমস্ত সামান্য শক্তি দ্বারা সীমাবদ্ধ। যদিও এই পরীক্ষাগুলি বক্ররেখার মধ্যে পার্থক্যের একটি পি-মান সরবরাহ করে তবে এগুলি প্রভাবের আকারগুলি অনুমান করতে ব্যবহার করা যায় না (লগ র‌্যাঙ্ক পরীক্ষার পি-মান, তবে, একটি অবিচ্ছিন্ন কক্সের আগ্রহের শ্রেণীবদ্ধ ফ্যাক্টরের জন্য পি-মানের সমতুল্য হয়) মডেল).

নন-প্যারাম্যাট্রিক মডেলগুলি সীমিত যে এগুলি এফেক্ট অনুমান সরবরাহ করে না এবং সাধারণত একাধিক আগ্রহের (মাল্টিভারেবল মডেল) প্রভাবের মূল্যায়ন করতে ব্যবহার করা যায় না। এই কারণে, নন-প্যারাম্যাট্রিক পদ্ধতিগুলি প্রায়শই এপিডেমিওলজিতে আধা- বা সম্পূর্ণ প্যারাম্যাট্রিক মডেলের সাথে একত্রে ব্যবহৃত হয়, যেখানে বিভ্রান্তিকর মডেলগুলি সাধারণত কনফাউন্ডারদের নিয়ন্ত্রণের জন্য ব্যবহৃত হয়।

কাপ্লান-মেয়ের রেখাচিত্রগুলি সমন্বয় করা যেতে পারে?

এটি একটি প্রচলিত পৌরাণিক কাহিনী যে ক্যাপলান-মেয়ের রেখাচিত্রগুলি সামঞ্জস্য করা যায় না এবং এটি প্রায়শই প্যারামেট্রিক মডেল ব্যবহারের কারণ হিসাবে উল্লেখ করা হয় যা কোভারিয়েট-অ্যাডজাস্টেড বেঁচে থাকার বাঁক তৈরি করতে পারে। বিপরীত সম্ভাব্যতা ওজন (আইপিডাব্লু) ব্যবহার করে অ্যাডজাস্টেড বেঁচে থাকার বাঁক তৈরির জন্য একটি পদ্ধতি তৈরি করা হয়েছে। শুধুমাত্র একটি সমবায়ুদের ক্ষেত্রে, আইপিডাব্লুগুলি প্যারাম্যাট্রিকভাবে অনুমানযোগ্য হতে পারে এবং এটি অধ্যয়ন জনগোষ্ঠীর কাছে বেঁচে থাকা কার্ভের প্রত্যক্ষ মানকতার সমতুল্য। একাধিক কোভারিয়েটগুলির ক্ষেত্রে, ওজন নির্ধারণের জন্য আধা- বা সম্পূর্ণ প্যারামিট্রিক মডেলগুলি অবশ্যই ব্যবহার করা উচিত, যা পরে একাধিক-কোভারিয়েট সমন্বিত বেঁচে থাকার রেখাচিত্র তৈরি করতে ব্যবহৃত হয়। এই পদ্ধতির সুবিধাগুলি হ'ল এটি আনুপাতিক বিপদ অনুমানের সাপেক্ষে নয়, এটি সময়ের সাথে বিভিন্ন পরিবর্তিত কোভারিয়েটগুলির জন্য ব্যবহার করা যেতে পারে এবং এটি অবিচ্ছিন্ন কোভেরিয়েটগুলির জন্যও ব্যবহার করা যেতে পারে।

সময়-থেকে-ইভেন্টের ডেটা বিশ্লেষণের জন্য আমাদের কেন প্যারামেট্রিক পদ্ধতির প্রয়োজন?

টিটিই ডেটা বিশ্লেষণের জন্য একটি নন-প্যারাম্যাট্রিক পদ্ধতিটি তদন্তের অধীনে থাকা ফ্যাক্টরটির সাথে বেঁচে থাকার ডেটা কেবল বর্ণনা করার জন্য ব্যবহৃত হয়। এই পদ্ধতির ব্যবহারকারী মডেলগুলিকে অবিভাজ্য মডেল হিসাবেও চিহ্নিত করা হয়। আরও সাধারণভাবে, তদন্তকারীরা বেশ কয়েকটি সিভিলিয়ারেট এবং ইভেন্টের সময়গুলির মধ্যে সম্পর্কের বিষয়ে আগ্রহী। আধা এবং সম্পূর্ণ-প্যারামিট্রিক মডেলগুলির ব্যবহার একযোগে অনেকগুলি বিষয়গুলির সাথে একই সাথে বিশ্লেষণের সময় দেয় এবং প্রতিটি উপাদান উপাদানগুলির জন্য প্রভাবের শক্তির অনুমান সরবরাহ করে।

একটি আধা-প্যারামেট্রিক পদ্ধতি কী এবং কেন এটি এত সাধারণভাবে ব্যবহৃত হয়?

চিকিত্সা গবেষণায় বেঁচে থাকার ডেটা বিশ্লেষণের জন্য কক্স প্রপাতিক মডেল হ'ল সর্বাধিক ব্যবহৃত মাল্টিভেয়ারেবল পদ্ধতি। এটি মূলত সময়-প্রতি-ইভেন্টের রিগ্রেশন মডেল, যা ঘটনার ঘটনার মধ্যে সম্পর্কের বর্ণনা দেয়, যেমন বিপদ ক্রিয়াকলাপ দ্বারা প্রকাশ করা হয়, এবং কোভেরিয়েটের একটি সেট। কক্স মডেলটি নিম্নরূপ রচিত:

বিপজ্জনক ক্রিয়া, h (টি) = h0 (টি) এক্সপ্রেস {β1X1 + X2X2 +… + XpXp}

এটি একটি আধা-প্যারামেট্রিক পদ্ধতির হিসাবে বিবেচিত হয় কারণ মডেলটিতে একটি প্যারামিমেট্রিক উপাদান এবং একটি প্যারামেট্রিক উপাদান রয়েছে। অ-প্যারাম্যাট্রিক উপাদান হ'ল বেসলাইন বিপত্তি, h0 (টি)। এটি হুমকির মান যখন সমস্ত covariates 0 এর সমান হয়, যা ব্যাখ্যার জন্য মডেলটিতে covariates কেন্দ্রের গুরুত্বকে হাইলাইট করে। বেসলাইন বিপত্তিটি সময়ে বিপত্তি হিসাবে বিভ্রান্ত করবেন না। বেসলাইন হ্যাজার্ড ফাংশনটি অ-প্যারাম্যাট্রিকভাবে অনুমান করা হয়, এবং তাই অন্যান্য অন্যান্য পরিসংখ্যানের মডেলের বিপরীতে, বেঁচে থাকার সময়গুলি নির্দিষ্ট পরিসংখ্যান বিতরণ এবং বেসলাইনটির আকার অনুসরণ করে ধরে নেওয়া হয় না বিপত্তি নির্বিচারে। আপেল সম্পর্কিত বিপদ বা বিপদ অনুপাত সম্পর্কে ধারণা তৈরি করতে বেসলাইন হ্যাজার্ড ফাংশনটি অনুমান করার দরকার নেই। এই বৈশিষ্ট্যটি প্যারামেট্রিক পদ্ধতির চেয়ে কক্স মডেলকে আরও শক্তিশালী করে তোলে কারণ এটি বেসলাইন বিপদের ভুল ব্যাখ্যা করার ঝুঁকিপূর্ণ নয়।

প্যারামেট্রিক উপাদান কোভেরিয়েট ভেক্টর নিয়ে গঠিত। কোভারিয়েট ভেক্টর সময় নির্বিশেষে একই পরিমাণে বেসলাইন বিপদকে বহুগুণ করে, সুতরাং যে কোনও কোভারিয়েটের প্রভাব ফলোআপের সময় যে কোনও সময় একই হয় এবং এটি আনুপাতিক বিপদ অনুমানের ভিত্তি।

আনুপাতিক বিপদ অনুমান কী?

আনুপাতিক বিপদ অনুমান একটি কক্স মডেল ব্যবহার এবং ব্যাখ্যার জন্য অতীব গুরুত্বপূর্ণ।

এই অনুমানের অধীনে, ফলাফল বা নির্ভরশীল ভেরিয়েবল এবং কোভারিয়েট ভেক্টরের মধ্যে একটি স্থির সম্পর্ক রয়েছে is এই অনুমানের প্রভাবগুলি হ'ল যে কোনও দুটি ব্যক্তির জন্য বিপদ কার্যগুলি যে কোনও সময় সমানুপাতিক এবং বিপদের অনুপাত সময়ের সাথে পৃথক হয় না। অন্য কথায়, যদি কোনও ব্যক্তির প্রাথমিক পর্যায়ে মৃত্যুর ঝুঁকি থাকে যা অন্য ব্যক্তির তুলনায় দ্বিগুণ হয়, তবে পরবর্তী সময়ে মৃত্যুর ঝুঁকি দ্বিগুণ বেশি থাকে। এই অনুমানটি বোঝায় যে গোষ্ঠীগুলির জন্য বিপত্তি বক্ররেখা আনুপাতিক হওয়া উচিত এবং এটি ক্রস করা উচিত নয়। যেহেতু এই অনুমানটি এত গুরুত্বপূর্ণ, এটি অবশ্যই পরীক্ষা করা উচিত।

আনুপাতিক বিপদ অনুমানকে আপনি কীভাবে পরীক্ষা করবেন?

আনুপাতিক বিপদ অনুমানের বৈধতা মূল্যায়নের জন্য গ্রাফিকাল এবং পরীক্ষা-ভিত্তিক উভয় কৌশল রয়েছে। একটি কৌশল হ'ল কাপলান – মাইয়ার বেঁচে থাকার রেখাচিত্রগুলি প্লট করা যদি আপনি দুটি গ্রুপের সাথে কোনও কোভারিয়েট না তুলনা করেন। যদি কার্ভগুলি অতিক্রম করে, আনুপাতিক বিপদ অনুমান লঙ্ঘন হতে পারে। ছোট অধ্যয়নের জন্য এই পদ্ধতির একটি গুরুত্বপূর্ণ সাবধানতা অবশ্যই মনে রাখা উচিত। একটি ছোট নমুনা আকারের সাথে অধ্যয়নের জন্য বেঁচে থাকা কার্ভগুলির অনুমানের সাথে যুক্ত বিপুল পরিমাণে ত্রুটি থাকতে পারে, সুতরাং আনুপাতিক বিপদ অনুমানটি পূরণ হওয়ার পরেও বক্ররেখা অতিক্রম করতে পারে। পরিপূরক লগ-লগ প্লট একটি আরও দৃust় পরীক্ষা যা বেঁচে থাকার সময়ের লগারিদমের বিরুদ্ধে আনুমানিক বেঁচে থাকা ফাংশনের নেতিবাচক লোগারিদমের লোগারিদমকে প্লট করে। বিপদগুলি যদি গ্রুপগুলির মধ্যে আনুপাতিক হয় তবে এই প্লটটি সমান্তরাল বক্ররেখা উত্পন্ন করবে। আনুপাতিক বিপদ অনুমানের পরীক্ষা করার জন্য আর একটি সাধারণ পদ্ধতি হ'ল সময়ের সাথে এইচআর পরিবর্তিত হয় কিনা তা নির্ধারণের জন্য একটি সময় ইন্টারঅ্যাক্ট শব্দটি অন্তর্ভুক্ত করা, যেহেতু সময় প্রায়শই ঝুঁকির অ-আনুপাতিকতার জন্য অপরাধী হয়। গোষ্ঠী * সময়ের মিথস্ক্রিয়া শব্দটি শূন্য নয় এর প্রমাণ আনুপাতিক বিপদের বিরুদ্ধে against

আনুপাতিক বিপদ অনুমান না রাখলে কী হবে?

যদি আপনি দেখতে পান যে পিএইচ অনুমানটি ধারণ করে না, আপনার অগত্যা কক্স মডেলটির ব্যবহার বর্জন করার দরকার নেই। মডেলটিতে আন-আনুপাতিকতা বাড়ানোর বিকল্প রয়েছে। উদাহরণস্বরূপ, আপনি অন্য covariates মডেল অন্তর্ভুক্ত করতে পারেন, হয় নতুন covariates, বিদ্যমান covariates জন্য অ লিনিয়ার শর্তাবলী, বা covariates মধ্যে মিথস্ক্রিয়া। অথবা আপনি এক বা একাধিক ভেরিয়েবলের বিশ্লেষণ স্থির করতে পারেন। এটি এমন একটি মডেলটির অনুমান করে যেখানে প্রতিটি স্তরের মধ্যে বেসলাইন বিপত্তিটি আলাদা হতে দেওয়া হয়, তবে কোভারিয়েটস প্রভাবগুলি সমগ্র স্তরে সমান। অন্যান্য বিকল্পগুলির মধ্যে সময়কে বিভাগগুলিতে বিভক্ত করা এবং বিপদসংখ্যার অনুপাতকে সময়ের সাথে পৃথক হতে দেয় এবং বিশ্লেষণের সময় পরিবর্তনশীল (উদাঃ সময় পেরিয়ে বয়স বা তার বিপরীতে) পরিবর্তনের জন্য সূচক ভেরিয়েবলগুলি অন্তর্ভুক্ত করে।

আপনি কীভাবে অর্ধ-প্যারামেট্রিক মডেল ফিট করবেন?

আনুপাতিকতা অনুমানের লঙ্ঘন পরীক্ষা করার পাশাপাশি, মডেল ফিটের অন্যান্য দিকগুলিও পরীক্ষা করা উচিত। লিনিয়ার এবং লজিস্টিক রিগ্রেশনে ব্যবহৃত অনুরূপ পরিসংখ্যান কিছু পার্থক্য সহ কক্স মডেলগুলির জন্য এই কাজগুলি সম্পাদন করতে প্রয়োগ করা যেতে পারে, তবে প্রয়োজনীয় ধারণাগুলি তিনটি সেটিংসে একই রকম। কোভারিয়েট ভেক্টরের লিনিয়ারিটি পরীক্ষা করা গুরুত্বপূর্ণ, যা আমরা রৈখিক প্রতিরোধের মতোই অবশিষ্টাংশগুলি পরীক্ষা করেই করা যেতে পারে। তবে, টিটিই ডেটাতে থাকা রেসিডুয়ালগুলি লিনিয়ার রিগ্রেশন হিসাবে খুব সহজ সরল নয়, আংশিক কারণ কিছু তথ্যের জন্য ফলাফলের মূল্য অজানা, এবং অবশিষ্টাংশগুলি প্রায়শই স্কিউ থাকে। টিটিই তথ্যের জন্য কক্স মডেল ফিটের মূল্যায়ন করার জন্য বিভিন্ন ধরণের রেসিডুয়্যুলস তৈরি করা হয়েছে। উদাহরণগুলির মধ্যে মার্টিংগেল এবং শোওনফিল্ড অন্যদের মধ্যে রয়েছে। আপনি অত্যন্ত প্রভাবশালী এবং খুব কম ফিট পর্যবেক্ষণগুলি সনাক্ত করতে অবশিষ্টাংশগুলিও দেখতে পারেন। কক্সবাজারের যেমন গ্রোনেসবি এবং বোরগান পরীক্ষা এবং হোসমার এবং লেমশো প্রাগনস্টিক সূচক হিসাবে সুনির্দিষ্টভাবে গুডনেস-ফিট-টেস্ট পরীক্ষাও রয়েছে। আপনি বিভিন্ন মডেলের তুলনা করতে এআইসি ব্যবহার করতে পারেন, যদিও আর 2 ব্যবহার করা সমস্যাযুক্ত।

প্যারাম্যাট্রিক পদ্ধতির ব্যবহার কেন?

আধা-প্যারামিট্রিক মডেলের অন্যতম প্রধান সুবিধা হ'ল গ্রুপগুলির মধ্যে আপেক্ষিক ঝুঁকির পার্থক্য বর্ণনা করে এমন বিপত্তি অনুপাতের অনুমানের জন্য বেসলাইন বিপত্তি নির্দিষ্ট করার দরকার নেই। তবে এটি হতে পারে যে বেসলাইন বিপত্তিটি নিজেই আগ্রহী। এই ক্ষেত্রে, একটি প্যারামেট্রিক পদ্ধতির প্রয়োজনীয়। প্যারামেট্রিক পদ্ধতিতে, বিপদ ফাংশন এবং covariates এর প্রভাব উভয়ই নির্দিষ্ট করা হয়। অন্তর্নিহিত জনসংখ্যার অনুমান করা বিতরণের উপর ভিত্তি করে বিপত্তি কার্যটি অনুমান করা হয়।

বেঁচে থাকার বিশ্লেষণে প্যারাম্যাট্রিক পদ্ধতির ব্যবহারের সুবিধাগুলি হ'ল:

  • প্যারামেট্রিক পদ্ধতিগুলি অ-এবং আধা-প্যারামেট্রিক পদ্ধতির চেয়ে বেশি তথ্যবহুল। আপেক্ষিক প্রভাব অনুমান গণনা করা ছাড়াও, বেঁচে থাকার সময়, বিপদের হার এবং গড় এবং মধ্যবর্তী বেঁচে থাকার সময়কালের পূর্বাভাস দেওয়ার জন্যও এগুলি ব্যবহার করা যেতে পারে। এগুলি সময়ের সাথে নিখুঁত ঝুঁকি পূর্বাভাস দেওয়ার জন্য এবং কোভেরিয়েট-অ্যাডজাস্টেড বেঁচে থাকার রেখার প্লট করতেও ব্যবহার করা যেতে পারে।

  • যখন প্যারামিট্রিক ফর্মটি সঠিকভাবে নির্দিষ্ট করা হয়, তখন প্যারামেট্রিক মডেলগুলিতে আধা-প্যারামেট্রিক মডেলের চেয়ে বেশি শক্তি থাকে। এগুলি আরও দক্ষ, ছোট স্ট্যান্ডার্ড ত্রুটি এবং আরও সুনির্দিষ্ট অনুমানের দিকে পরিচালিত করে।

  • প্যারামিটারিক পদ্ধতিগুলি পরামিতিগুলি অনুমান করার জন্য সম্পূর্ণ সর্বাধিক সম্ভাবনার উপর নির্ভর করে।

  • প্যারামেট্রিক মডেলের অবশিষ্টাংশগুলি প্রত্যাশিত বনাম প্রত্যাশিত পার্থক্যের পরিচিত রূপটি গ্রহণ করে।

প্যারাম্যাট্রিক পদ্ধতির ব্যবহারের প্রধান অসুবিধা হ'ল অন্তর্নিহিত জনসংখ্যা বিতরণ সঠিকভাবে নির্দিষ্ট করা হয়েছে এই ধারণার উপর নির্ভর করে। প্যারামেট্রিক মডেলগুলি ভুল ব্যাখ্যা করার পক্ষে দৃ not় নয়, এ কারণেই আধা-প্যারামেট্রিক মডেলগুলি সাহিত্যে বেশি দেখা যায় এবং অন্তর্নিহিত জনসংখ্যা বিতরণ সম্পর্কে অনিশ্চয়তা দেখা দিলে ব্যবহার করার ঝুঁকি কম থাকে।

আপনি কীভাবে প্যারামেট্রিক ফর্মটি বেছে নেবেন?

উপযুক্ত প্যারাম্যাট্রিক ফর্মের পছন্দ প্যারাম্যাট্রিক বেঁচে থাকার বিশ্লেষণের সবচেয়ে কঠিন অংশ। প্যারামেট্রিক ফর্মের স্পেসিফিকেশনটি পূর্বের জ্ঞান এবং বেসলাইন বিপদের আকারের বায়োলজিক প্লাসিবিলিটি সহ অধ্যয়ন অনুমান দ্বারা চালিত হওয়া উচিত। উদাহরণস্বরূপ, যদি এটি জানা যায় যে শল্য চিকিত্সার পরে মৃত্যুর ঝুঁকি নাটকীয়ভাবে বৃদ্ধি পায় এবং তারপরে হ্রাস এবং চ্যাপ্টা হয়ে যায়, তবে এটি সূচকীয় বিতরণ নির্দিষ্ট করে দেওয়া অনুচিত হবে যা সময়ের সাথে ধ্রুবক বিপদ বলে ধরে নেয়। নির্দিষ্ট ফর্মটি ডেটা মাপসই করে কিনা তা নির্ধারণের জন্য ডেটা ব্যবহার করা যেতে পারে, তবে এই ডেটা-চালিত পদ্ধতিগুলি হাইপোথিসিস-চালিত নির্বাচনের পরিপূরক করা উচিত, প্রতিস্থাপন করা উচিত নয়।

একটি আনুপাতিক ঝুঁকিপূর্ণ মডেল এবং একটি ত্বরণ ব্যর্থতা সময়ের মডেলের মধ্যে পার্থক্য কী?

যদিও কক্স আনুপাতিক বিপদের মডেলটি আধা-প্যারামেট্রিক, তবুও আনুপাতিক বিপদের মডেলগুলি প্যারাম্যাট্রিকও হতে পারে। প্যারামেট্রিক সমানুপাতিক বিপদের মডেলগুলি এইভাবে লেখা যেতে পারে:

h (t, X) = h0 (t) Exp (Xi β) = h0 (t) λ

যেখানে বেসলাইন বিপত্তি, h0 (t) কেবল সময়, t এর উপর নির্ভর করে তবে এক্স এর উপর নয়, এবং c কোভারিয়েটগুলির একটি ইউনিট-নির্দিষ্ট ফাংশন, যা টি এর উপর নির্ভর করে না, যা বেসলাইন বিপত্তিটি উপরে বা নীচে স্কেল করে। negative নেতিবাচক হতে পারে না। এই মডেলটিতে, বিপত্তি হারটি বেসলাইন বিপদের একটি গুণমূলক ফাংশন এবং বিপদ অনুপাতটি সেমি-প্যারাম্যাট্রিক সমানুপাতিক বিপদ মডেলের মতোই ব্যাখ্যা করা যায়।

এক্সিলারেটেড ব্যর্থতার সময় (এএফটি) মডেলগুলি প্যারামেট্রিক বেঁচে থাকার মডেলগুলির একটি শ্রেণি যা বেঁচে থাকার সময় মডেলের প্রাকৃতিক লগ গ্রহণ করে রৈখিক হতে পারে। এএফটি মডেলের সহজতম উদাহরণ হ'ল এক্সফোনেনশিয়াল মডেল, যা এইভাবে লেখা হয়:

ln (টি) = β0 + β1 এক্স 1 +…। + XpXp + ε *

এএফটি মডেল এবং পিএইচ মডেলের মধ্যে প্রধান পার্থক্য হ'ল এএফটি মডেলগুলি ধারনা করে যে কোভারিয়েটগুলির প্রভাবগুলি সময় স্কেলগুলিতে গুণক হয়, যখন কক্স মডেলগুলি উপরের চিত্রের মতো বিপত্তি স্কেল ব্যবহার করে। এএফটি মডেলগুলির প্যারামিটারের অনুমানগুলি সময় স্কেলের প্রভাব হিসাবে ব্যাখ্যা করা হয় যা বেঁচে থাকার বা বেঁচে থাকার সময়কে হ্রাস করতে পারে। একটি এএফটি মডেল থেকে Exp (β)> 1 এর অর্থ হ'ল ফ্যাক্টর বেঁচে থাকার সময়কে ত্বরান্বিত করে বা দীর্ঘতর বেঁচে থাকার দিকে পরিচালিত করে। এক্সপ্রেস (β)<1 decelerates survival time (shorter survival). AFT models assume that estimated time ratios are constant across the time scale. A time ratio of 2, for example, can be interpreted as the median time to death in group 1 is double the median time to death in group 2 (indicated longer survival for group 1).

কিছু ত্রুটি বিতরণগুলি পিএইচ এবং এএফটি উভয় মডেল (অর্থাত ক্ষতিকারক, ওয়েবুল) হিসাবে লিখিত এবং ব্যাখ্যা করা যেতে পারে, অন্যরা কেবল পিএইচ (অর্থাত্ গম্পার্টজ) বা কেবল এএফটি মডেল (যেমন লগ-লজিস্টিক) এবং অন্যরা পিএইচ বা এএফটি মডেল নয় are (উদাহরণস্বরূপ, একটি স্প্লাইন লাগানো)।

প্যারামেট্রিক মডেলগুলি কী রূপগুলি ধরে নিতে পারে?

হ্যাজার্ড ফাংশন টি এর সমস্ত মানের জন্য h (t)> 0 অবধি যে কোনও রূপ নিতে পারে। যদিও প্যারামিট্রিক ফর্মের প্রাথমিক বিবেচনাটি বেসলাইন বিপদের আকারের পূর্ব জ্ঞান হওয়া উচিত, প্রতিটি বিতরণের নিজস্ব সুবিধা এবং অসুবিধা রয়েছে। কিছু সাধারণ ফর্মগুলির সংক্ষিপ্তভাবে ব্যাখ্যা করা হবে, সংস্থান তালিকায় আরও তথ্যের সাথে উপলব্ধ।

সূচকীয় বিতরণ Dist

সূচকীয় বিতরণ ধরে নেওয়া হয় যে এইচ (টি) কেবলমাত্র মডেল সহগ এবং কোভারিয়েটগুলির উপর নির্ভর করে এবং সময়ের সাথে ধ্রুবক থাকে। এই মডেলটির প্রধান সুবিধাটি হ'ল এটি একটি আনুপাতিক ঝুঁকিপূর্ণ মডেল এবং একটি ত্বরণী ব্যর্থতার সময় মডেল উভয়ই, যাতে প্রভাব অনুমানগুলি বিপদ অনুপাত বা সময় অনুপাত উভয়ই হিসাবে ব্যাখ্যা করা যায়। এই মডেলটির প্রধান ত্রুটিটি হ'ল সময়ের সাথে ধ্রুবক বিপত্তি ধরে নেওয়া প্রায়শই শ্রবণযোগ্য।

ওয়েবেল বিতরণ

মানুষের উপর হাইড্রোজেন বোমা প্রভাব

ওয়েইবুল বিতরণ তাত্ক্ষণিক বিতরণের অনুরূপ। ঘৃণ্য বিতরণটি একটি ধ্রুবক বিপদকে ধরে নিলে, ওয়েইবুল বিতরণ এমন একঘেয়েমিক বিপদ ধরেছে যা হয় বাড়ছে বা হ্রাস পেতে পারে তবে দুটোই নয়। এটির দুটি পরামিতি রয়েছে। আকৃতি প্যারামিটার (σ) বিপত্তি বৃদ্ধি পায় কিনা তা নিয়ন্ত্রণ করে (controls1) (সূচকীয় বিতরণে, এই প্যারামিটারটি সেট করা আছে)। স্কেল প্যারামিটার, (1 / σ) এক্সপ (-β0 / σ), এই বৃদ্ধি / হ্রাসের স্কেল নির্ধারণ করে। যেহেতু ওয়েইবুল বিতরণটি ঘন ঘন বিতরণকে সরল করে যখন σ = 1, নাল অনুমান যা σ = 1 একটি ওয়াল্ড পরীক্ষা ব্যবহার করে পরীক্ষা করা যেতে পারে। এই মডেলের মূল সুবিধাটি হ'ল এটি পিএইচ এবং এএফটি উভয়ই মডেল, সুতরাং বিপদ অনুপাত এবং সময় অনুপাত উভয়ই অনুমান করা যায়। আবার, প্রধান ত্রুটিটি হ'ল কিছু ক্ষেত্রে বেসলাইন বিপদের একঘেয়েমি অনুমান করা যায় না la

গম্পার্টজ বিতরণ

গম্পার্টজ বিতরণ একটি পিএইচ মডেল যা লগ-ওয়েইবুল বিতরণের সমান, তাই বিপদ ফাংশনটির লগটি টি-তে লিনিয়ার। এই বিতরণে তাত্পর্যপূর্ণভাবে ব্যর্থতার হার রয়েছে, এবং প্রায়শই বাস্তব তথ্যগুলির জন্য উপযুক্ত, কারণ সময়ের সাথে সাথে মৃত্যুর ঝুঁকিও তাত্পর্যপূর্ণভাবে বৃদ্ধি পায়।

লগ-লজিস্টিক বিতরণ

লগ-লজিস্টিক বিতরণ একটি এএফটি মডেল যা একটি ত্রুটি শর্ত সহ স্ট্যান্ডার্ড লজিস্টিক বিতরণ অনুসরণ করে। এটি অ-মনোোটোনিক বিপদগুলি মাপসই করে এবং সাধারণত অন্তর্নিহিত বিপদ যখন শীর্ষে উঠে যায় এবং তখন পড়ে যায়, তখন এটি যক্ষ্মার মতো নির্দিষ্ট রোগের জন্য প্রশংসনীয় হতে পারে fits লগ-লজিস্টিক বিতরণ কোনও পিএইচ মডেল নয়, তবে এটি একটি আনুপাতিক প্রতিকূল মডেল। এর অর্থ এটি আনুপাতিক বৈষম্য অনুমানের সাপেক্ষে, তবে সুবিধাটি হ'ল slালের সহগগুলি সময় অনুপাত এবং প্রতিকূল অনুপাত হিসাবেও ব্যাখ্যা করা যায়। প্যারামেট্রিক লগ-লজিস্টিক মডেল থেকে 2 এর একটি বিভেদ অনুপাত, উদাহরণস্বরূপ, x = 1 সহ সাবজেক্টের মধ্যে সময়ের বাইরে অস্তিত্বের প্রতিক্রিয়া হিসাবে ব্যাখ্যা করা হবে x = 0 এর সাথে বিষয়গুলির দ্বিগুণ ds

জেনারালাইজড গামা (জিজি) বিতরণ

জেনারালাইজড গামা (জিজি) বিতরণটি আসলে বিতরণের একটি পরিবার যা ঘনিষ্ঠ, ওয়েইবুল, লগ স্বাভাবিক এবং গামা বিতরণ সহ প্রায় সমস্ত ব্যবহৃত ব্যবহৃত বিতরণ রয়েছে। এটি বিভিন্ন বিতরণের মধ্যে তুলনা করার অনুমতি দেয়। জিজি পরিবারে চারটি অতি সাধারণ ধরণের ঝুঁকিপূর্ণ ফাংশন অন্তর্ভুক্ত রয়েছে, যা জিজি বিতরণকে বিশেষত কার্যকর করে তোলে কারণ ঝুঁকি কার্যটির আকারটি মডেল নির্বাচনের অনুকূলকরণে সহায়তা করতে পারে।

স্প্লাইজ অ্যাপ্রোচ

যেহেতু বেসলাইন বিপজ্জনক ক্রিয়াকলাপের নির্দিষ্টকরণের একমাত্র সাধারণ সীমাবদ্ধতা টি এর সমস্ত মানের জন্য 0 (t)> 0, স্প্লাইনগুলি বেসলাইন বিপদের আকারের মডেলিংয়ে সর্বাধিক নমনীয়তার জন্য ব্যবহার করা যেতে পারে। সীমাবদ্ধ কিউবিক স্প্লাইনগুলি এমন একটি পদ্ধতি যা সম্প্রতি প্যারাম্যাট্রিক বেঁচে থাকার বিশ্লেষণের জন্য সাহিত্যে সুপারিশ করা হয়েছিল যেহেতু এই পদ্ধতিটি আকারে নমনীয়তার জন্য অনুমতি দেয়, তবে যেখানে তথ্য বিচ্ছিন্ন থাকে সেখানে ফাংশনটি লিনিয়ার হতে সীমাবদ্ধ করে। স্প্লাইজগুলি অনুমানের উন্নতি করতে ব্যবহার করা যেতে পারে এবং এক্সট্রাপোলেশনের পক্ষেও সুবিধাজনক, যেহেতু তারা পর্যবেক্ষণ করা ডেটার সাথে সর্বাধিক ফিট করে। যদি সঠিকভাবে নির্দিষ্ট করা থাকে, তবে স্প্লাইনগুলি ব্যবহার করে মডেলগুলির থেকে প্রাপ্ত প্রভাবের অনুমান পক্ষপাতমূলক হওয়া উচিত নয়। অন্যান্য রিগ্রেশন বিশ্লেষণগুলির মতো, ফিটিং স্প্লিংয়ের চ্যালেঞ্জগুলির মধ্যে গিঁটের সংখ্যা এবং অবস্থান এবং ওভার-ফিটিং সম্পর্কিত সমস্যাগুলি অন্তর্ভুক্ত থাকতে পারে।

আপনি কীভাবে প্যারামেট্রিক মডেল ফিট করবেন?

প্যারামিট্রিক মডেল ফিটের মূল্যায়ন করার সবচেয়ে গুরুত্বপূর্ণ উপাদানটি ডেটা নির্দিষ্ট প্যারামিট্রিক ফর্মটিকে সমর্থন করে কিনা তা যাচাই করা। কাপলান-মেয়ের আনুমানিক संचयी ঝুঁকি ফাংশনের বিরুদ্ধে মডেল-ভিত্তিক ক্রমবর্ধমান বিপদকে গ্রাফিক করে এটিকে চাক্ষুষভাবে মূল্যায়ন করা যেতে পারে। যদি নির্দিষ্ট ফর্মটি সঠিক হয় তবে গ্রাফটি 1 টির opeালু সহ উত্পন্ন হওয়া উচিত গ্রোননেসবি-বর্গান ধার্মিকতা-অফ-ফিট পরীক্ষা এছাড়াও পর্যালোচিত ইভেন্টগুলির সংখ্যার ঘটনাগুলির প্রত্যাশিত সংখ্যার চেয়ে উল্লেখযোগ্যভাবে পৃথক কিনা তা ব্যবহার করতে পারে গ্রুপগুলিতে ঝুঁকিপূর্ণ স্কোর দ্বারা পৃথক। এই পরীক্ষাটি নির্বাচিত গোষ্ঠীর সংখ্যার প্রতি অত্যন্ত সংবেদনশীল এবং যদি অনেক গ্রুপ বেছে নেওয়া হয়, বিশেষত ছোট ডেটা সেটগুলিতে পর্যাপ্ত ফিটের নাল অনুমানকে প্রত্যাখ্যান করে। পরীক্ষায় মডেল লঙ্ঘন সনাক্ত করার পাওয়ার অভাব রয়েছে, তবে খুব কম গ্রুপ বেছে নেওয়া থাকলে। এই কারণে, নির্দিষ্ট প্যারামেট্রিক ফর্মটি যুক্তিসঙ্গত কিনা তা নির্ধারণের ক্ষেত্রে একাই ধার্মিকতা-ফিটনেস পরীক্ষার উপর নির্ভর করার পরামর্শ দেওয়া খারাপ পরামর্শ দেওয়া উচিত।

এআইসিও বিভিন্ন প্যারামিমেট্রিক ফর্মের সাথে চালিত মডেলগুলির সাথে তুলনা করতে ব্যবহার করা যেতে পারে, সেরা ফিটের সর্বনিম্ন এআইসি নির্দেশক। প্যারাম্যাট্রিক এবং আধা-প্যারামেট্রিক মডেলগুলির তুলনা করতে এআইসি ব্যবহার করা যাবে না, যদিও প্যারাম্যাট্রিক মডেলগুলি পর্যবেক্ষণ ইভেন্ট ইভেন্টের উপর ভিত্তি করে এবং আধা-প্যারামেট্রিক মডেলগুলি ইভেন্টের সময়ের ক্রমের ভিত্তিতে থাকে। আবার, এই সরঞ্জামগুলি নির্দিষ্ট ফর্মটি ডেটা ফিট করে কিনা তা পরীক্ষা করতে ব্যবহার করা উচিত, তবে নির্দিষ্ট অন্তর্নিহিত বিপদের কার্যকারিতা এখনও প্যারাম্যাট্রিক ফর্ম বেছে নেওয়ার সবচেয়ে গুরুত্বপূর্ণ দিক aspect

একবার নির্দিষ্ট প্যারামিট্রিক ফর্মটি ডেটা ভালভাবে ফিট করার জন্য নির্ধারণ করা হয়ে গেলে, পূর্বে আধা-সমানুপাতিক ঝুঁকিপূর্ণ মডেলগুলির জন্য বর্ণিতগুলির মতো অনুরূপ পদ্ধতিগুলি বিভিন্ন মডেলের মধ্যে যেমন, অবশিষ্টাংশ এবং প্লাস্টিকের সদৃশতা পরীক্ষা করার জন্য ব্যবহার করা যেতে পারে।

সময়ের সাথে সাথে ভবিষ্যদ্বাণীকারীদের পরিবর্তন হলে কী হবে?

উপরে লেখা মডেল স্টেটমেন্টগুলিতে, আমরা ধরে নিয়েছি যে অনুসরণগুলি চলাকালীন এক্সপোজারগুলি স্থির থাকে। সময়ের সাথে পরিবর্তিত মান বা সময়ের সাথে পরিবর্তিত কোভারিটগুলি সহ এক্সপোজারগুলি এক্সপোজারটি স্থির থাকে যখন বিশ্লেষণের এককটিকে পৃথক থেকে সময়কালে পরিবর্তন করে বেঁচে থাকার মডেলগুলিতে অন্তর্ভুক্ত করা যেতে পারে। এটি ব্যক্তিদের ব্যক্তিগত সময়কে অন্তরগুলিতে ভেঙে দেয় যা প্রতিটি ব্যক্তি সেই কোভেরিয়েটের জন্য উন্মুক্ত এবং অপ্রকাশিত সংস্থার ঝুঁকি সেটটিতে অবদান রাখে। এইভাবে সময় পরিবর্তিত কোভেরিয়েটকে অন্তর্ভুক্ত করার মূল ধারণাটি হ'ল সময়-পরিবর্তিত কোভেরিয়েটের থাইফ্যাক্ট সময়ের উপর নির্ভর করে না।

কক্স আনুপাতিক ঝুঁকিপূর্ণ মডেলটির জন্য, সময়ের সাথে পরিবর্তিত কিছু কোভারিয়েট অন্তর্ভুক্তি হ'ল: টি (টি) = এইচ (টি) ই β x1x1 (টি) রূপ ধারণ করবে। সময়-পরিবর্তিত কোভেরিয়্যটগুলি প্যারামেট্রিক মডেলগুলিতেও অন্তর্ভুক্ত করা যেতে পারে, যদিও এটি ব্যাখ্যা করা কিছুটা জটিল এবং জটিল। প্যারামেট্রিক মডেলগুলি বৃহত্তর নমনীয়তার জন্য স্প্লাইনগুলি ব্যবহার করে সময়-পরিবর্তিত কোভারিয়েটগুলির মডেলও করতে পারে।

সাধারণত সময়-পরিবর্তিত covariates ব্যবহার করা উচিত যখন এটি অনুমান করা হয় যে বিপত্তিটি বেসলাইনে কোভারিয়েটের মানের তুলনায় কোভারিয়ারের পরবর্তী মানগুলির উপর বেশি নির্ভর করে। সময়-পরিবর্তিত কোভেরিয়্যেটগুলির সাথে উত্থাপিত চ্যালেঞ্জগুলি বিভিন্ন সময় পয়েন্টগুলিতে কোভেরিয়াতের ডেটা অনুপস্থিত এবং সময়-পরিবর্তিত কোভেরিয়াট আসলে একটি মধ্যস্থতাকারী হলে বিপদটি নির্ধারণের একটি সম্ভাব্য পক্ষপাত।

প্রতিযোগিতা ঝুঁকি বিশ্লেষণ কি?

Ditionতিহ্যবাহী বেঁচে থাকার বিশ্লেষণ পদ্ধতিগুলি ধরে নেয় যে কেবল এক ধরণের আগ্রহের ঘটনা ঘটে। তবে একই গবেষণায় বিভিন্ন ধরণের ঘটনার তদন্তের অনুমতি দেওয়ার জন্য আরও উন্নত পদ্ধতি বিদ্যমান রয়েছে যেমন একাধিক কারণে মৃত্যুর কারণ। প্রতিযোগিতামূলক ঝুঁকি বিশ্লেষণ এই অধ্যয়নের জন্য ব্যবহৃত হয় যেখানে বেশ কয়েকটি ইভেন্টের প্রথমটির দ্বারা বেঁচে থাকার সময়কাল শেষ হয়। বিশেষ পদ্ধতির প্রয়োজন কারণ প্রতিটি ইভেন্টের আলাদা আলাদা সময় বিশ্লেষণ করা পক্ষপাতদুষ্ট হতে পারে। বিশেষত এই প্রসঙ্গে, কেএম পদ্ধতিতে ঘটনার অভিজ্ঞতা থাকা বিষয়গুলির অনুপাতের পরিমাণকে আরও বেশি বোঝা যায়। প্রতিযোগিতামূলক ঝুঁকি বিশ্লেষণটি সংঘটিত ঘটনা পদ্ধতিটি ব্যবহার করে, যে কোনও সময়ে সামগ্রিক ইভেন্টের সম্ভাবনাটি ইভেন্ট-নির্দিষ্ট সম্ভাবনার যোগফল। মডেলগুলি প্রতিটি স্টাডি অংশগ্রহণকারীকে বেশ কয়েকবার প্রবেশ করে সাধারণত প্রয়োগ করা হয় - প্রতি ইভেন্টের জন্য প্রতি এক। প্রতিটি অধ্যয়নকারী অংশগ্রহণকারীদের জন্য, কোনও ইভেন্টের সময়টি সেন্সর করা হয় সেই সময়ে রোগী প্রথম ইভেন্টটি অনুভব করে। আরও তথ্যের জন্য, দয়া করে অ্যাডভান্সডপিডেমিওলজি.অর্গ পৃষ্ঠাটি দেখুন প্রতিযোগিতামূলক ঝুঁকি

দুর্বল মডেলগুলি কী এবং সেগুলি সম্পর্কিত সম্পর্কযুক্ত ডেটার জন্য কেন কার্যকর?

কোনও ব্যক্তির দ্বারা পুনরাবৃত্ত ইভেন্টগুলির কারণে বা পর্যবেক্ষণগুলি গোষ্ঠীগুলিতে ক্লাস্টার করা হলে সম্পর্কিত বেঁচে থাকার ডেটা উত্থাপিত হতে পারে। হয় জ্ঞানের অভাব বা সম্ভাব্যতার কারণে, আগ্রহের ইভেন্টের সাথে সম্পর্কিত কিছু সোভিয়েটগুলি মাপা যায় না। ফেইলিটি মডেলগুলি এলোমেলো প্রভাবগুলি যোগ করে অমীমাংসিত কোভেরিয়েটের দ্বারা সৃষ্ট ভিন্ন ভিন্নতার জন্য দায়ী, যা বিপদের ক্রিয়ায় বহুগুণে কাজ করে। জালিয়াতি মডেলগুলি এলোমেলো প্রভাব সংযোজন সহ কক্স মডেলের মূলত এক্সটেনশন। যদিও এই মডেলগুলি বর্ণনা করতে বিভিন্ন শ্রেণিবদ্ধকরণ প্রকল্প এবং নামকরণ ব্যবহৃত হয়, তবে চারটি সাধারণ ধরণের ফ্রেইলি মডেলগুলির মধ্যে ভাগ করা, নেস্টেড, জয়েন্ট এবং অ্যাডিটিভ ফ্রেইটি অন্তর্ভুক্ত থাকে।

পুনরাবৃত্ত ইভেন্টের ডেটা বিশ্লেষণের জন্য অন্যান্য পন্থা রয়েছে?

একাধিক ইভেন্ট একই বিষয়ের মধ্যে ঘটতে পারে বলে পুনরাবৃত্ত ইভেন্টের ডেটা সম্পর্কযুক্ত। ঘন ঘন ইভেন্টগুলি বিশ্লেষণে এই পারস্পরিক সম্পর্কের জন্য দায়বদ্ধ করার জন্য ফ্রিটি মডেলগুলি হ'ল আরও সহজ পদ্ধতির যা এই সম্পর্কের জন্যও দায়ী হতে পারে তা হল শক্তিশালী স্ট্যান্ডার্ড ত্রুটি (এসই) ব্যবহার। শক্তিশালী এস এস যুক্ত হওয়ার সাথে সাথে পুনরাবৃত্ত ইভেন্ট বিশ্লেষণগুলি অর্ধ-প্যারামেট্রিক বা প্যারামেট্রিক মডেলগুলির একটি সাধারণ বর্ধন হিসাবে করা যেতে পারে।

বাস্তবায়নের পক্ষে সহজ হলেও, শক্তিশালী এসএস ব্যবহার করে পুনরাবৃত্ত ইভেন্টের ডেটা মডেল করার একাধিক উপায় রয়েছে। এই পদ্ধতিগুলি প্রতিটি পুনরাবৃত্তির জন্য ঝুঁকি সেটকে কীভাবে সংজ্ঞায়িত করে তার মধ্যে পৃথক fer এইভাবে, তারা কিছুটা পৃথক অধ্যয়ন প্রশ্নের উত্তর দেয়, সুতরাং কোন মডেলিংয়ের পদ্ধতির ব্যবহারের পছন্দটি অধ্যয়নের অনুমান এবং মডেলিং অনুমানের বৈধতার উপর ভিত্তি করে হওয়া উচিত।

গণনা প্রক্রিয়া, বা অ্যান্ডারসন-গিল, পুনরাবৃত্ত ইভেন্টের মডেলিংয়ের পদ্ধতির কাছে ধরে নেওয়া হয় যে প্রতিটি পুনরাবৃত্তি একটি স্বাধীন ইভেন্ট, এবং ইভেন্টের ক্রম বা প্রকারটিকে বিবেচনায় নেয় না। এই মডেলটিতে, প্রতিটি বিষয়ের ফলোআপ সময় অধ্যয়নের শুরুতে শুরু হয় এবং ইভেন্টগুলি (পুনরাবৃত্তি) দ্বারা সংজ্ঞায়িত বিভাগগুলিতে বিভক্ত হয়। বিষয়গুলি কোনও ইভেন্টের ঝুঁকিপূর্ণ সেটটিতে অবদান রাখে যতক্ষণ না তারা ততক্ষণ পর্যবেক্ষণাধীন থাকে (সেন্সর করা হয়নি)। এই মডেলগুলি একটি শক্তিশালী এসই অনুমানকারী সংযোজন সহ একটি কক্স মডেল হিসাবে ফিট করা সহজ, এবং বিপজ্জনক অনুপাত অনুসরণীয় সময়কালে পুনরাবৃত্তির হারের উপর কোভারিয়েটের প্রভাব হিসাবে ব্যাখ্যা করা হয়। এই মডেলটি অনুপযুক্ত হবে, তবে স্বাধীনতার অনুমিতি যুক্তিযুক্ত না হলে।

শর্তাধীন পদ্ধতির ধারণা ধরে নেওয়া হয় যে কোনও পূর্ববর্তী ইভেন্ট না হওয়া পর্যন্ত পরবর্তী বিষয়গুলির জন্য কোনও বিষয় ঝুঁকির মধ্যে নেই এবং তাই ইভেন্টের ক্রমটিকে বিবেচনায় আনে। স্ট্র্যাটা ভেরিয়েবল হিসাবে এবং শক্তিশালী এসই সহ এগুলি ইভেন্ট নম্বর (বা পুনরায় সংখ্যার সংখ্যা) সহ স্ট্রেইটেড মডেল ব্যবহার করে তারা ফিট। দুটি পৃথক শর্তসাপেক্ষ পন্থা রয়েছে যা বিভিন্ন সময় স্কেল ব্যবহার করে এবং তাই বিভিন্ন ঝুঁকির সেট রয়েছে। শর্তসাপেক্ষ সম্ভাব্যতা পদ্ধতির অধ্যয়ন শুরুর পর থেকে সময় ব্যবধানগুলি সংজ্ঞায়িত করতে সময়কে ব্যবহার করে, এবং আগ্রহ যখন পুনরাবৃত্ত ইভেন্ট প্রক্রিয়ার সম্পূর্ণ কোর্সে থাকে তখন উপযুক্ত হয়। ব্যবধান সময় পদ্ধতির মূলত প্রতিটি পুনরাবৃত্তির জন্য ঘড়ির সাথে পূর্ববর্তী ইভেন্টটি সময় অন্তরগুলি সংজ্ঞায়িত করার জন্য সময়টি ব্যবহার করে পুনরায় সেট করে, এবং ইভেন্ট (বা পুনরুক্তি) -বিস্তারিত প্রভাব অনুমানের আগ্রহের কারণে এটি আরও উপযুক্ত।

পরিশেষে, প্রান্তিক পদ্ধতির (ডাব্লুএলডাব্লু - ওয়েই, লিন এবং ওয়েসফেল্ড হিসাবেও পরিচিত) প্রতিটি ইভেন্টকে একটি পৃথক প্রক্রিয়া হিসাবে বিবেচনা করে, তাই বিষয়গুলি অনুসরণের শুরু থেকেই সমস্ত ইভেন্টের ঝুঁকির মধ্যে থাকে, নির্বিশেষে তারা কোনও অভিজ্ঞতা অর্জন করে কিনা subjects পূর্ববর্তী ঘটনা ইভেন্টগুলি বিভিন্ন অন্তর্নিহিত প্রক্রিয়াগুলি থেকে ফলাফল হিসাবে বিবেচিত হওয়ার সময় এই মডেলটি উপযুক্ত, যাতে কোনও বিষয় 3 য় ইভেন্টের অভিজ্ঞতা নিতে পারে, উদাহরণস্বরূপ, 1 ম অভিজ্ঞতা না নিয়ে। যদিও এই অনুমানটি ক্যান্সারের পুনরাবৃত্তির মতো কিছু ধরণের ডেটা দিয়ে অবিচ্ছিন্ন বলে মনে হয় তবে সময়সীমার সময়ে এটি আঘাতের পুনরাবৃত্তিগুলির মডেল হিসাবে ব্যবহৃত হতে পারে, যখন বিষয়গুলি সময়কালে বিভিন্ন ধরণের আঘাতের অভিজ্ঞতা নিতে পারে যার কোনও প্রাকৃতিক অর্ডার নেই। প্রান্তিক মডেলগুলি দৃust় এস এস সহ স্তরের মডেলগুলি ব্যবহার করে ফিটও হতে পারে।

পঠন

এই প্রকল্পটি সময়-পরে-ইভেন্টের ডেটা নিয়ে কাজ করার সময় যে মুখোমুখি হতে পারে পদ্ধতিগত এবং বিশ্লেষণমূলক সিদ্ধান্তগুলি বর্ণনা করার উদ্দেশ্যে, তবে এটি কোনওভাবেই পরিসীমাবদ্ধ নয়। এই বিষয়গুলির আরও গভীরভাবে জানাতে নীচে সংস্থানগুলি সরবরাহ করা হয়েছে।

পাঠ্যপুস্তক ও অধ্যায়সমূহ

ভিটিংহফ ই, গ্লিনড ডিভি, শিবোস্কি এসসি, ম্যাককুলোক সিই (2012)। বায়োস্টাটিক্সে রিগ্রেশন পদ্ধতিগুলি, ২ য় নিউ ইয়র্ক, এনওয়াই: স্প্রিঞ্জার।

  • রৈখিক, যৌক্তিকতা, বেঁচে থাকা এবং পুনরাবৃত্তি ব্যবস্থার মডেলগুলির পরিচিতি পাঠ্য, যারা প্রাথমিক সূচনা পয়েন্ট চান তাদের পক্ষে সেরা best

  • বেঁচে থাকার বিশ্লেষণ অধ্যায়টি একটি গভীর ওভারভিউ সরবরাহ করে তবে গভীরতা নয়। উদাহরণগুলি স্টাটা ভিত্তিক।

হোসমার ডিডাব্লু, লেমেশো এস, মে এস (২০০৮) প্রয়োগ বেঁচে থাকার বিশ্লেষণ: টাইম-টু-ইভেন্ট ডেটা-এর রিগ্রেশন মডেলিং, ২ য় সংস্করণ। হোবোকেন, এনজে: জন উইলি অ্যান্ড সন্স, ইনক।

  • নন-প্যারাম্যাট্রিক, আধা-প্যারামেট্রিক এবং প্যারামেট্রিক কক্স মডেলগুলির গভীরতার ওভারভিউ, তাদের জন্য সেরা যারা পরিসংখ্যানের অন্যান্য ক্ষেত্রে জ্ঞানবান। উন্নত কৌশলগুলি গভীরতার সাথে আচ্ছাদিত নয় তবে অন্যান্য বিশেষ পাঠ্যপুস্তকের জন্য উল্লেখ সরবরাহ করা হয়েছে।

ক্লেইনবাউম ডিজি, ক্লিন এম (2012) বেঁচে থাকার বিশ্লেষণ: একটি স্ব-শিক্ষার পাঠ্য, তৃতীয় সংস্করণ। নিউ ইয়র্ক, এনওয়াই: স্প্রিংজার সায়েন্স + বিজনেস মিডিয়া, এলএলসি

  • দুর্দান্ত সূচনা পাঠ্য

ক্লেইন জেপি, মোশবার্গার এমএল (2005)। বেঁচে থাকার বিশ্লেষণ: সেন্সরযুক্ত এবং কাটা কাটা ডেটার জন্য কৌশলগুলি, দ্বিতীয় সংস্করণ। নিউ ইয়র্ক, এনওয়াই: স্প্রিংজার সায়েন্স + বিজনেস মিডিয়া, এলএলসি

  • স্নাতক শিক্ষার্থীদের জন্য ডিজাইন করা এই বইটি অনেক ব্যবহারিক উদাহরণ দেয়

থের্নিউ টিএম, গ্র্যাম্বস পিএম (2000)। মডেলিং বেঁচে থাকার ডেটা: কক্স মডেলকে বাড়ানো হচ্ছে। নিউ ইয়র্ক, এনওয়াই: স্প্রিংজার সায়েন্স + বিজনেস মিডিয়া, এলএলসি

  • গণনা প্রক্রিয়া পদ্ধতির এবং পারস্পরিক সম্পর্কযুক্ত বেঁচে থাকার ডেটা বিশ্লেষণের জন্য ভাল ভূমিকা। লেখক আর টিকে থাকার প্যাকেজও লিখেছিলেন

অ্যালিসন পিডি (2010)। এসএএস ব্যবহার করে বেঁচে থাকা বিশ্লেষণ: একটি অনুশীলন গাইড, ২ য় সংস্করণ। কেরি, এনসি: এসএএস ইনস্টিটিউট

  • এসএএস ব্যবহারকারীদের জন্য দুর্দান্ত প্রয়োগযুক্ত পাঠ্য

বাগডোনাভিসিয়াস ভি, নিকুলিন এম (2002)। ত্বকযুক্ত জীবন মডেল: মডেলিং এবং পরিসংখ্যান বিশ্লেষণ.বোকা রেটন, এফএল: চ্যাপম্যান এবং হল / সিআরসি প্রেস।

  • প্যারামেট্রিক এবং আধা-প্যারামেট্রিক ত্বরণ ব্যর্থতা সময়ের মডেলগুলি এবং তারা কীভাবে আনুপাতিক বিপদ মডেলের সাথে তুলনা করে সে সম্পর্কে আরও তথ্যের জন্য ভাল সংস্থান

পদ্ধতিগত নিবন্ধ

ভূমিকা / সংক্ষিপ্তসার নিবন্ধসমূহ

হুগার্ড পি (1999)। বেঁচে থাকা ডেটা এর মৌলিক। বায়োমেট্রিকস 55 (1): 13-22। পিএমআইডি: 11318147

ক্লার্ক টিজি, ব্র্যাডবার্ন এমজে, লাভ এসবি, আল্টম্যান ডিজি (2003)। বেঁচে থাকার বিশ্লেষণের প্রথম অংশ: মৌলিক ধারণা এবং প্রথম বিশ্লেষণ। বি জে ক্যান্সার 89 (2): 232-8। পিএমআইডি: 12865907

ক্লার্ক টিজি, ব্র্যাডবার্ন এমজে, লাভ এসবি, আল্টম্যান ডিজি (2003)। বেঁচে থাকার বিশ্লেষণের দ্বিতীয় খণ্ড: বহুবিধ ডেটা বিশ্লেষণ con ধারণা এবং পদ্ধতিগুলির একটি ভূমিকা। আর জে ক্যান্সার 89 (3): 431-6। পিএমআইডি: 1288808

ক্লার্ক টিজি, ব্র্যাডবার্ন এমজে, লাভ এসবি, আল্টম্যান ডিজি (2003)। বেঁচে থাকার বিশ্লেষণের দ্বিতীয় খণ্ড: মাল্টিভিয়ারেট ডেটা বিশ্লেষণ a একটি মডেল বেছে নেওয়া এবং এর যথাযথতা এবং ফিটের মূল্যায়ন। বি জে ক্যান্সার 89 (4): 605-11। পিএমআইডি: 12951864

ক্লার্ক টিজি, ব্র্যাডবার্ন এমজে, লাভ এসবি, আল্টম্যান ডিজি (2003)। বেঁচে থাকার বিশ্লেষণের অংশ IV: টিকে থাকার বিশ্লেষণে আরও ধারণা এবং পদ্ধতি। বি জে ক্যান্সার 89 (5): 781-6। পিএমআইডি: 12942105

  • উপরের চারটি নিবন্ধের সিরিজটি বেঁচে থাকার বিশ্লেষণের পদ্ধতিগুলির একটি দুর্দান্ত সূচনা সংক্ষিপ্ত বিবরণ যা অত্যন্ত লিখিত এবং সহজেই বোঝা যায় - এটি অত্যন্ত প্রস্তাবিত।

সময় স্কেল হিসাবে বয়স

কর্ন ইএল, গ্রাবার্ড বিআই, মিডথিউন ডি (1997)। একটি সমীক্ষার অনুদৈর্ঘ্য ফলোআপের সময়-থেকে-ইভেন্ট বিশ্লেষণ: সময়-স্কেলের পছন্দ। এম জে এপিডেমিওল 145 (1): 72-80। পিএমআইডি: 8982025

  • গবেষণার সময় চেয়ে বয়সকে টাইম স্কেল হিসাবে ব্যবহারের কাগজপত্র।

ইনগ্রাম ডিডি, মাকুক ডিএম, ফিল্ডম্যান জেজে (1997)। পুনরায়: একটি সমীক্ষার অনুদৈর্ঘ্য ফলোআপের সময়-পর-ইভেন্ট বিশ্লেষণ: সময়-স্কেলের পছন্দ। এম জে এপিডেমিওল 146 (6): 528-9। পিএমআইডি: 9290515

  • বয়সকে সময় স্কেল হিসাবে ব্যবহার করার সময় সাবধানতা অবলম্বন করার বিষয়ে কর্ন কাগজে মন্তব্য করুন।

থাইবাউট এসি, বেনিচউ জে (2004)। মহামারীবিদ্যার কোহোর্ট ডেটা সম্পর্কিত কক্সের মডেল বিশ্লেষণে সময়-স্কেলের পছন্দ: একটি সিমুলেশন অধ্যয়ন। স্ট্যাট মেড 30; 23 (24): 3803-20। পিএমআইডি: 15580597

  • সময়কে স্কেল হিসাবে অধ্যয়নের সময় ব্যবহার করার সময় বয়স এবং আগ্রহের কোভারিয়েটের মধ্যে অ্যাসোসিয়েশনের বিভিন্ন ডিগ্রির পক্ষপাতের মাত্রা দেখানো সিমুলেশন অধ্যয়ন।

ক্যানোগলা এজে, স্টুয়ার্ট এসএল, বার্নস্টেইন এল, ইত্যাদি। বিভিন্ন টাইম-স্কেল ব্যবহার করে কক্স রিগ্রেশন। এ উপলব্ধ: http://www.lexjansen.com/wuss/2003/DataAnalysis/i-cox_time_scales.pdf

  • 5 টি কক্স রিগ্রেশন মডেলকে এসএএস কোডের সাথে টাইম-স্কেল হিসাবে অধ্যয়নের সময় বা বয়সের পরিবর্তনের সাথে তুলনা করে একটি দুর্দান্ত কাগজ।

সেন্সরিং

হুয়াং সিওয়াই, নিং জে, কিন জে (2015)। বাম-কাটা এবং ডান-সেন্সরযুক্ত ডেটার জন্য সেমিপারমেট্রিক সম্ভাবনার অনুক্রম। বায়োস্টাটিক্স [এপুবি] পিএমআইডি: 25796430

  • এই কাগজটি সেন্সর করা তথ্যের বিশ্লেষণের জন্য একটি সুন্দর ভূমিকা আছে এবং বাম-কাটা এবং ডান-সেন্সরযুক্ত ডেটা সহ বেঁচে থাকার সময় বিতরণের জন্য একটি নতুন অনুমান পদ্ধতি সরবরাহ করে। এটি খুব ঘন এবং এটিতে একটি উন্নত পরিসংখ্যান ফোকাস রয়েছে।

কেইন কেসি, হার্লো এসডি, লিটল আরজে, নান বি, ইয়োসফ এম, ট্যাফ জেআর, এলিয়ট এমআর (২০১১)। বাম কাটা কাটা এবং বিকাশ এবং রোগ প্রক্রিয়াগুলির অনুদৈর্ঘ্য অধ্যয়নে বাম সেন্সরিংয়ের কারণে বায়াস। আমি জে এপিডেমিওল 173 (9): 1078-84। পিএমআইডি: 21422059

  • একটি দুর্দান্ত সংস্থান যা এপিডেমিওলজিক দৃষ্টিকোণ থেকে বাম-সেন্সর করা ডেটা সহজাত পক্ষপাত ব্যাখ্যা করে।

সান জে, সান এল, ঝু সি (2007)। অন্তর-সেন্সর করা ডেটার জন্য আনুপাতিক বৈষম্যের মডেলটি পরীক্ষা করা হচ্ছে L লাইফটাইম ডেটা এনাল 13: 37-50। পিএমআইডি 17160547

  • টিটিই ডেটা বিশ্লেষণের একটি সংখ্যক দিক সম্পর্কে একটি পরিসংখ্যানগতভাবে ঘন নিবন্ধ, তবে অন্তর-সেন্সরযুক্ত ডেটার একটি ভাল ব্যাখ্যা সরবরাহ করে।

রবিনস জেএম (1995a) তথ্যমূলক সেন্সর সহ এলোমেলোভাবে পরীক্ষার জন্য একটি বিশ্লেষণ পদ্ধতি: প্রথম খণ্ড। লাইফটাইম ডেটা এনাল 1: 241-254। পিএমআইডি 9385104

রবিনস জেএম (1995 বি) তথ্যবহ সেন্সর সহ এলোমেলোভাবে পরীক্ষার জন্য একটি বিশ্লেষণ পদ্ধতি: দ্বিতীয় খণ্ড। লাইফটাইম ডেটা এনাল 1: 417–434। পিএমআইডি 9385113

  • দুটি কাগজ যা তথ্যবহুল সেন্সরিংয়ের সাথে সম্পর্কিত পদ্ধতিগুলি নিয়ে আলোচনা করে।

নন-প্যারামেট্রিক বেঁচে থাকার পদ্ধতি

বোরগান Ø (2005) কাপলান-মিয়ার অনুমানকারী। বায়োস্টাটিক্স ডিওআইয়ের এনসাইক্লোপিডিয়া: 10.1002 / 0470011815.b2a11042

অনলাইন আইন স্কুল জেড
  • কাপলান-মিয়ার অনুমানক এবং নেলসন-আলেেন অনুমানকারকের সাথে এর সম্পর্কের চমৎকার ওভারভিউ

রড্র্যাগজ জি (2005)। বেঁচে থাকার মডেলগুলিতে অ-প্যারাম্যাট্রিক অনুমান। থেকে উপলব্ধ: http://data.princeton.edu/pop509/NonParametricSurvival.pdf

  • অ-প্যারাম্যাট্রিক পদ্ধতি এবং কক্স আনুপাতিক বিপদ মডেলের পরিচিতি যা গাণিতিক সূত্রগুলির সাথে পদ্ধতির মধ্যে সম্পর্কের ব্যাখ্যা দেয়

কোল এসআর, হার্নান এমএ (2004)। বিপরীত সম্ভাবনা ওজন সহ সামঞ্জস্যিত বেঁচে থাকার রেখাঙ্কন.কমপুট পদ্ধতিগুলি প্রোগ্রামের বায়োমেড 75 (1): 35-9। পিএমআইডি: 15158046

  • সামঞ্জস্যপূর্ণ কাপলান-মিয়ার কার্ভগুলি তৈরি করতে আইপিডাব্লু ব্যবহারের বর্ণনা দেয়। একটি উদাহরণ এবং এসএএস ম্যাক্রো অন্তর্ভুক্ত।

ঝাং এম (2015)। দক্ষতা উন্নত করতে এবং এলোমেলো ক্লিনিকাল পরীক্ষায় বেঁচে থাকার কার্ভগুলি অনুমান করার ক্ষেত্রে পক্ষপাত হ্রাস করার শক্ত পদ্ধতি। লাইফটাইম ডেটা এনাল 21 (1): 119-37। পিএমআইডি: 24522498

  • আরসিটিগুলিতে কোভারিয়েট-অ্যাডজাস্টেড টিকে থাকা কার্ভগুলির জন্য প্রস্তাবিত পদ্ধতি

আধা-প্যারামেট্রিক বেঁচে থাকার পদ্ধতিগুলি

কক্স ডিআর (1972) রিগ্রেশন মডেল এবং লাইফ টেবিল (আলোচনার সাথে)। জে আর স্ট্যাটিস্ট সোক বি 34: 187-2220।

  • ক্লাসিক রেফারেন্স।

ক্রিস্টেনসেন ই (1987) কক্সের রিগ্রেশন মডেল ব্যবহার করে মাল্টিভেয়ারিয়েট বেঁচে থাকার বিশ্লেষণ Hহ্যাপাটোলজি 7: 1346–1358। পিএমআইডি 3679094

  • প্রেরণাদায়ী উদাহরণ ব্যবহার করে কক্স মডেলটির ব্যবহার বর্ণনা করে। কক্স মডেলকে কীভাবে ফিট করতে হবে এবং মডেল অনুমানের পরীক্ষা করা সহ কক্স মডেল বিশ্লেষণের মূল দিকগুলির দুর্দান্ত পর্যালোচনা।

গ্র্যাম্বস পিএম, থের্নো টিএম (1994) ভারী অবশিষ্টাংশের উপর ভিত্তি করে আনুপাতিক বিপদ পরীক্ষা এবং ডায়াগনস্টিকস। বায়োমেটিকার 81: 515–526।

  • আনুপাতিক বিপদ অনুমান পরীক্ষা করার উপর একটি গভীর কাগজ। তত্ত্ব এবং উন্নত পরিসংখ্যানগত ব্যাখ্যা ভাল মিশ্রণ।

এনগ্যান্ডু এনএইচ (1997) কক্সের মডেলের আনুপাতিক বিপদ অনুমানের জন্য পরিসংখ্যানগত পরীক্ষার একটি অভিজ্ঞতাগত তুলনা। স্ট্যাট মেড 16: 611–626। পিএমআইডি 9131751

  • আনুপাতিক ঝুঁকি অনুমানের পরীক্ষার জন্য আরও একটি গভীর কাগজ, এটির মধ্যে অবশিষ্টাংশ এবং সেন্সরিংয়ের প্রভাবগুলি পরীক্ষা করার আলোচনা রয়েছে।

প্যারামেট্রিক বেঁচে থাকার পদ্ধতি

রদ্রিগেজ, জি (২০১০) প্যারামেট্রিক বেঁচে থাকার মডেলগুলি। থেকে উপলব্ধ: http://data.princeton.edu/pop509/ParametricSurvival.pdf

  • প্যারামেট্রিক বেঁচে থাকার বিশ্লেষণে ব্যবহৃত সাধারণ বিতরণগুলির সংক্ষিপ্ত পরিচিতি

নারদী এ, স্কিম্পার এম (2003)। ক্লিনিকাল স্টাডিতে কক্স এবং প্যারামেট্রিক মডেলের তুলনা করুন Med মেড 22 (23): 2597-610 at পিএমআইডি: 14652863

  • সাধারণ প্যারামেট্রিক বিতরণগুলি ব্যবহার করে মডেলগুলির সাথে আধা-প্যারাম্যাট্রিক মডেলের তুলনা করে ভাল উদাহরণ সরবরাহ করে এবং মডেল ফিটের মূল্যায়নের উপর দৃষ্টি নিবদ্ধ করে

রায়স্টন পি, পারমার এমকে (2002)। প্রগনোস্টিক মডেলিংয়ের প্রয়োগ এবং চিকিত্সার প্রভাবগুলির অনুমানের সাথে সেন্সরযুক্ত বেঁচে থাকার ডেটাগুলির জন্য নমনীয় প্যারামিট্রিক আনুপাতিক-বিপত্তি এবং আনুপাতিক-প্রতিকূল মডেলগুলি। স্ট্যাট মেড 21 (15): 2175-97। পিএমআইডি: 12210632

  • আনুপাতিক ঝুঁকি এবং প্রতিকূলতার মডেলগুলি এবং কিউবিক স্প্লাইনের সাথে তুলনা করার মূল বিষয়গুলির জন্য ভাল ব্যাখ্যা

কক্স সি, চু এইচ, স্নাইডার এমএফ, মুউজ এ (2007)। প্যারামেট্রিক বেঁচে থাকার বিশ্লেষণ এবং সাধারণীকরণকৃত গামা বিতরণের জন্য বিপজ্জনক ক্রিয়াকলাপের শ্রেণীবদ্ধ পরিসংখ্যান মেড 26: 4352–4374। পিএমআইডি 17342754

  • বিপদ কার্যকারিতা এবং সাধারণীকরণকৃত গামা বিতরণ পরিবারের একটি গভীর আলোচনা সহ প্যারাম্যাট্রিক বেঁচে থাকার পদ্ধতির একটি দুর্দান্ত ওভারভিউ সরবরাহ করে।

ক্রোথার এমজে, ল্যামবার্ট পিসি (2014)। প্যারামেট্রিক বেঁচে থাকার বিশ্লেষণের জন্য একটি সাধারণ কাঠামো Med 33 (30) মেড মেড: 5280-97। পিএমআইডি: 25220693

  • সাধারণত ব্যবহৃত প্যারাম্যাট্রিক বিতরণগুলির সীমাবদ্ধ অনুমানগুলি বর্ণনা করে এবং সীমাবদ্ধ ঘন স্প্লাইন পদ্ধতিটি ব্যাখ্যা করে

স্পার্লিং ওয়াইএইচ, ইউনিস এন, লাচিন জেএম, বাউটিস্তা ওএম (2006)। সময়-নির্ভর কোভেরিয়েট সহ অন্তর-সেন্সর করা ডেটার জন্য প্যারামেট্রিক বেঁচে থাকার মডেল। বায়োমেট্রিকস 7 (4): 599-614। পিএমআইডি: 16597670

  • অন্তর-সেন্সর করা ডেটা সহ কীভাবে প্যারামেট্রিক মডেলগুলি ব্যবহার করবেন তার বর্ধন এবং উদাহরণ

সময়-পরিবর্তিত Covariates

ফিশার এলডি, লিন ডিওয়াই (1999)। কক্স আনুপাতিক-বিপত্তি রিগ্রেশন মডেলটিতে সময় নির্ভর কোভেরিয়েটস। আনু রেভ জনস্বাস্থ্য 20: 145-57। পিএমআইডি: 10352854

  • গাণিতিক পরিশিষ্ট সহ কক্স মডেলগুলিতে সময়-পরিবর্তিত কোভেরিয়েরের সম্পূর্ণ এবং সহজে বোঝা যায়

পিটারসেন টি (1986)। সময়-নির্ভর কোভেরিয়েটগুলির সাথে পরামিতি বেঁচে থাকার মডেলগুলি ফিট করে। অ্যাপল পরিসংখ্যান 35 (3): 281-88।

  • ঘন নিবন্ধ, কিন্তু একটি দরকারী প্রয়োগ উদাহরণ সহ

প্রতিযোগিতা ঝুঁকি বিশ্লেষণ

প্রতিযোগিতামূলক ঝুঁকিগুলি দেখুন

তাই বি, মাচিন ডি, হোয়াইট আই, গেবস্কি ভি (2001) অস্টিওসারকোমা রোগীদের ঝুঁকি বিশ্লেষণের প্রতিযোগিতা: চারটি ভিন্ন পদ্ধতির তুলনা comparison স্ট্যাট মেড 20: 661–684। পিএমআইডি 11241570

  • ভাল গভীর-কাগজ যা প্রতিদ্বন্দ্বী ঝুঁকি তথ্য বিশ্লেষণের চারটি ভিন্ন পদ্ধতির বর্ণনা করে এবং এই চারটি পদ্ধতির তুলনায় অস্টিওসারকোমা রোগীদের একটি এলোমেলোভাবে পরীক্ষার ডেটা ব্যবহার করে।

চকলে ডাব্লু, ব্রাউন আরজি, মুউজ এ (2010)। জেনারালাইজড গামা বিতরণের মিশ্রণের মাধ্যমে পারস্পরিক একচেটিয়া প্রতিযোগিতামূলক ইভেন্টগুলির অনুক্রম। 21 এপিডেমিওলজি 21 (4): 557–565। পিএমআইডি 20502337

  • সাধারণীকরণ করা গামা বিতরণ ব্যবহার করে প্রতিযোগিতামূলক ঝুঁকির বিষয়ে কাগজ।

ক্লাস্টার করা ডেটা এবং ফ্রেটি মডেল বিশ্লেষণ

ইয়ামাগুচি টি, ওহশি ওয়াই, মাতসুয়ামা ওয়াই (২০০২) বহুজাতিক ক্যান্সারের ক্লিনিকাল পরীক্ষায় কেন্দ্রের প্রভাবগুলি পরীক্ষা করার জন্য এলোমেলো প্রভাবগুলির সাথে আনুষঙ্গিক বিপদের মডেল। স্ট্যাট পদ্ধতিগুলি মেড রেজ 11: 221–236। পিএমআইডি 12094756

  • মাল্টি-সেন্টার ক্লিনিকাল ট্রায়ালগুলি থেকে বেঁচে থাকার ডেটা বিশ্লেষণ করার সময় ক্লাস্টারিংয়ের বিষয়টি বিবেচনায় নেওয়ার দুর্দান্ত তাত্ত্বিক এবং গাণিতিক ব্যাখ্যা সহ একটি কাগজ।

ও’কিগলি জে, স্টেয়ার জে (২০০২) অসম্পূর্ণতা এবং এলোমেলো প্রভাবের সাথে আনুষঙ্গিক বিপদের মডেল। স্ট্যাট মেড 21: 3219–3233। পিএমআইডি 12375300

  • দুর্বল মডেল এবং এলোমেলো প্রভাব মডেলগুলির একটি মাথা থেকে মাথা তুলনা।

বালাকৃষ্ণন এন, পেং ওয়াই (2006)। জেনারাইজড গামা ফ্রেইটি মডেল। পরিসংখ্যান মেড 25: 2797–2816। পিএমআইডি

  • ফ্রেইলি বিতরণ হিসাবে সাধারণীকরণ করা গামা বিতরণ ব্যবহার করে ফ্রেটি মডেলগুলির একটি কাগজ।

রোনডাউ ভি, মাজারোই ওয়াই, গঞ্জালেজ জেআর (২০১২)। ফ্রেটিলপ্যাক: দণ্ডিত সম্ভাবনা প্রাক্কলন বা প্যারামিট্রিকাল অনুমান ব্যবহার করে ফ্রেটি মডেলগুলির সাথে সম্পর্কিত সম্পর্কিত বেঁচে থাকা ডেটা বিশ্লেষণের জন্য একটি আর প্যাকেজ। পরিসংখ্যান সফটওয়্যার জার্নাল 47 (4): 1-28।

  • ফ্যালিটি মডেলগুলিতে ভাল পটভূমির তথ্য সহ আর প্যাকেজ ভিগনেট।

স্কাউয়েল ডিই, কাই জে (2005)। রেনাল ব্যর্থতা রোগীদের মধ্যে হাসপাতালে ভর্তির হার প্রয়োগের সাথে ক্লাস্টার পুনরাবৃত্ত ইভেন্টের ডেটা বিশ্লেষণ। বায়োস্টাটিক্স 6 (3): 404-19। পিএমআইডি 15831581

  • দুর্দান্ত কাগজ যেখানে লেখকরা ক্লাস্টার্ড পুনরাবৃত্ত ইভেন্টের ডেটা বিশ্লেষণের জন্য দুটি পদ্ধতি উপস্থাপন করেছেন এবং তারপরে তারা প্রস্তাবিত মডেলগুলি থেকে ফলাফলগুলিকে একটি খাঁটি মডেলের উপর ভিত্তি করে তুলনা করে।

গারিবভ্যান্ড এল, লিউ এল (২০০৯)। ক্লাস্টারযুক্ত ইভেন্টগুলির সাথে বেঁচে থাকার ডেটা বিশ্লেষণ। এসএএস গ্লোবাল ফোরাম ২০০৯ পত্রিকা 237-2009।

  • এসএএস পদ্ধতিগুলির সাথে ক্লাস্টারযুক্ত ইভেন্টগুলির সাথে ইভেন্ট ডেটার সময় বিশ্লেষণের জন্য সুচিন্তা এবং সহজে বোঝার উত্স।

পুনরাবৃত্ত ইভেন্ট বিশ্লেষণ

টুইস্ক জেডাব্লু, স্মিড এন, ডি ভেন্টে ডাব্লু (2005)। পুনরাবৃত্ত ইভেন্টগুলির প্রয়োগ বিশ্লেষণ: একটি বাস্তব ওভারভিউ। জে এপিডেমিওল কমিউনিটি হেলথ 59 (8): 706-10। পিএমআইডি: 16020650

  • পুনরাবৃত্ত ইভেন্টের মডেলিংয়ের পরিচিতি এবং ঝুঁকি সেটগুলির ধারণাটি বোঝা খুব সহজ

ভিলিগাস আর, জুলিয়া ও, ওকেয়া জে (2013)। আনুপাতিক ঝুঁকির মার্জিনের সাথে পুনরাবৃত্ত ইভেন্টগুলির জন্য পারস্পরিক সম্পর্কযুক্ত বেঁচে থাকার সময় এবং এর পারস্পরিক সম্পর্ক এবং সেন্সরিংয়ের প্রভাব Empমানিক গবেষণা B বিএমসি মেড রেস মেথডল 13:95 13 পিএমআইডি: 23883000

  • পুনরাবৃত্ত ইভেন্ট ডেটার জন্য বিভিন্ন মডেলের দৃust়তা পরীক্ষা করতে সিমুলেশনগুলি ব্যবহার করে

কেলি পিজে, লিম এলএল (2000)। পুনরাবৃত্ত ইভেন্টের ডেটার জন্য বেঁচে থাকার বিশ্লেষণ: শৈশব সংক্রামক রোগগুলির জন্য একটি প্রয়োগ। স্ট্যাট মেড 19 (1): 13-33। পিএমআইডি: 10623190

  • পুনরাবৃত্ত ইভেন্টের ডেটা মডেলিংয়ের জন্য চারটি প্রধান পদ্ধতির প্রয়োগকৃত উদাহরণ

ওয়েই এলজে, লিন ডিওয়াই, ওয়েসফেল্ড এল (1989)। প্রান্তিক বিতরণকে মডেলিং করে মাল্টিভারিয়েট অসম্পূর্ণ ব্যর্থতার সময় ডেটাগুলির রিগ্রেশন বিশ্লেষণ। আমেরিকান স্ট্যাটিস্টিকাল অ্যাসোসিয়েশন জার্নাল 84 (108): 1065-1073

আসল ঘটনা বিশ্লেষণের জন্য প্রান্তিক মডেলগুলি বর্ণনা করে আসল নিবন্ধ

পাঠ্যধারাগুলি

কলম্বিয়া বিশ্ববিদ্যালয়ের এপিডেমিওলজি এবং জনসংখ্যা স্বাস্থ্য সামার ইনস্টিটিউট (ইপিআইসি)

ক্ষেত্রের বিশেষজ্ঞদের দ্বারা শেখানো বিশেষ পরিসংখ্যান সেমিনারগুলির ব্যক্তিগত সরবরাহকারী পরিসংখ্যানীয় হরাইজনস

  • পল অ্যালিসন কর্তৃক শেখানো ফিলাডেলফিয়ায় অনুষ্ঠানের ইতিহাস এবং বেঁচে থাকার বিশ্লেষণের উপর 5 দিনের সেমিনার। বেঁচে থাকার বিশ্লেষণের পূর্বের কোনও জ্ঞানের প্রয়োজন নেই। আরও তথ্যের জন্য, দেখুন http://statisticalhorizons.com/seminars/public-seminars/eventhistory13

মিশিগান বিশ্ববিদ্যালয়ের সামাজিক গবেষণা ইনস্টিটিউটের অংশ, সামাজিক গবেষণা কোয়ান্টেটিভ পদ্ধতিতে আন্তঃ বিশ্ববিদ্যালয় কনসোর্টিয়াম ফর পলিটিকাল অ্যান্ড সোস্যাল রিসার্চ (আইসিপিএসআর) সামার প্রোগ্রাম

  • মিশিগান স্টেট ইউনিভার্সিটির টেনকো রায়কভ দ্বারা শেখানো বার্কলে, সিএ-তে 22-24 জুন, 2015-এ দেওয়া বেঁচে থাকার বিশ্লেষণ, ইভেন্টের ইতিহাসের মডেলিং এবং সময়কাল বিশ্লেষণ সম্পর্কিত 3 দিনের সেমিনার। শাখাগুলি জুড়ে বেঁচে থাকার পদ্ধতিগুলির বিস্তৃত ওভারভিউ (সম্পূর্ণ জনস্বাস্থ্য নয়): http://www.icpsr.umich.edu/icpsrweb/sumprog/courses/0200

ইনস্টিটিউট ফর স্ট্যাটিস্টিকস রিসার্চ বেঁচে থাকার বিশ্লেষণের জন্য দুটি অনলাইন কোর্স অফার করে যা এক বছরে একাধিকবার দেওয়া হয়। এই কোর্সগুলি ক্লিন এবং ক্লিনবাউমের প্রয়োগ বিশ্লেষণ পাঠ্যপুস্তক থেকে ভিত্তি করে (নীচে দেখুন) এবং একটি লা কার্টে বা পরিসংখ্যানের কোনও শংসাপত্রের অংশ হিসাবে নেওয়া যেতে পারে:

  • ডেভিড ক্লেইনবাউম বা ম্যাট স্ট্রিকল্যান্ড শেখানো সেমি-প্যারাম্যাট্রিক কক্স মডেলগুলিতে ফোকাস সহ বেঁচে থাকার বিশ্লেষণের পরিচিতি: http://www.statistics.com/survival/

  • প্যারামেট্রিক মডেল, পুনরাবৃত্তি বিশ্লেষণ এবং ফ্রেট মডেল সহ ম্যাট স্ট্রিকল্যান্ড শেখানো উন্নত বেঁচে থাকার বিশ্লেষণ: http://www.statistics.com/survival2/

ইউসিএলএর ইনস্টিটিউট ফর ডিজিটাল রিসার্চ অ্যান্ড এডুকেশন বিভিন্ন পরিসংখ্যান সংক্রান্ত সফ্টওয়্যারটিতে টিকে থাকার বিশ্লেষণের জন্য তারা তাদের ওয়েবসাইটের মাধ্যমে সেমিনারগুলি বলে। এই সেমিনারগুলি প্রয়োগ করে বেঁচে থাকার বিশ্লেষণ পরিচালনা করতে পারে যা তত্ত্বের চেয়ে কোডের দিকে বেশি মনোনিবেশ করে।

আকর্ষণীয় নিবন্ধ

সম্পাদক এর চয়েস

সারাহ ক্লিভল্যান্ড
সারাহ ক্লিভল্যান্ড
সারা ক্লেভল্যান্ড মানবাধিকার, জাতীয় সুরক্ষা, আন্তর্জাতিক আইন এবং মার্কিন যুক্তরাষ্ট্রের বৈদেশিক সম্পর্কের ক্ষেত্রে বিশিষ্ট বিশেষজ্ঞ। তিনি এই বিষয়গুলি সম্পর্কে শিক্ষাদান, গবেষণা এবং লেখার পাশাপাশি মানবাধিকার আইনের শীর্ষস্থানীয় আন্তর্জাতিক আইনী সংস্থাগুলির সাথে দীর্ঘকালীন কাজের মধ্য দিয়ে রয়েছেন। ক্লেভল্যান্ড আন্তর্জাতিক আইন সম্পর্কিত সচিবের রাজ্যের পরামর্শক কমিটির সদস্য। তিনি আইনী বিশেষজ্ঞদের গ্লোবাল মিডিয়া ফ্রিডম ইনিশিয়েটিভের উচ্চ স্তরের প্যানেলের একজন সদস্য, যার মধ্যে মানবাধিকার ইনস্টিটিউটের সিনিয়র ফেলো অমল ক্লুনি সহ-সভাপতির পদে রয়েছেন। মানবাধিকার ইনস্টিটিউটের অনুষদক সহ-পরিচালক হিসাবে, ক্লিভল্যান্ড ট্রায়ালওয়াচ উদ্যোগে ক্লোনি ফাউন্ডেশন ফর জাস্টিসের সাথে ল স্কুলটির অংশীদারিত্বের নেতৃত্ব দেয়, যার লক্ষ্য বিশ্বব্যাপী বিচারগুলি পর্যবেক্ষণ করা যেখানে মানবাধিকার ঝুঁকিতে রয়েছে। ক্লেভল্যান্ড হ'ল ইন্টারন্যাশনাল বার অ্যাসোসিয়েশনের হিউম্যান রাইটস ইনস্টিটিউটের কাউন্সিল সদস্য, আন্তর্জাতিক আইন কমিশনের কমিশনার এবং রেড ক্রসের আন্তর্জাতিক পর্যালোচনা বোর্ডের সম্পাদকদের বোর্ডের সদস্য। তিনি এর আগে ভাইস চেয়ারম্যান এবং ইউএন হিউম্যান রাইটস কমিটির সদস্য (২০১৫-২০১৮), কাউন্সিল অফ ইউরোপের ভেনিস কমিশনের মার্কিন সদস্য (২০১০-২০১৯) এবং আমেরিকান আইন ইনস্টিটিউটের সহ-সমন্বয়ক প্রতিবেদক হিসাবে কাজ করেছেন। মার্কিন যুক্তরাষ্ট্রের বৈদেশিক সম্পর্ক আইনের পুনঃস্থাপন (চতুর্থ) (2012–2018)। ২০০৯ থেকে ২০১১ সাল পর্যন্ত ক্লেভল্যান্ড মার্কিন যুক্তরাষ্ট্রের পররাষ্ট্র দফতরের আইনী উপদেষ্টার আন্তর্জাতিক আইন পরামর্শদাতা ছিলেন, যেখানে তিনি মানবাধিকার, সন্ত্রাসবাদ, সশস্ত্র সংঘাতের আইন, এবং আন্তর্জাতিক ন্যায়বিচার সম্পর্কিত অফিসের আইনী কাজের তদারকি করতে সহায়তা করেছিলেন। তিনি আন্তর্জাতিক আইন, জাতীয় সুরক্ষা এবং মানবাধিকারের বিষয়গুলিতে বিস্তৃত লিখেছেন, সহ কেসবুক হিউম্যান রাইটস (২ য় সংস্করণ ২০০৯ এবং আপডেট ২০১৩), সিসটেম ডি প্রোটেকশন ডেস ড্রয়েটস ডি এল-এ সংযোগের যুগে মানবাধিকার চুক্তি সংস্থা including হোমমে ডেস নেশনস ইউনিস: প্রিস্ট এট আভেনির (২০১)), ইয়েল আইন জার্নালে (২০১৫) চুক্তি অনুসারে অপরাধ সংজ্ঞা ও শাস্তি প্রদান এবং কিউবেলের পর আন্তর্জাতিক অপরাধ জার্নাল জার্নাল, ২০১৪। ক্লেভল্যান্ড সাবেক রোডস স্কলার এবং আইন হিসাবে দায়িত্ব পালন করেছেন মার্কিন সুপ্রিম কোর্টের বিচারপতি হ্যারি ব্ল্যাকমুনের কেরানী। ২০০ 2007 সালে কলম্বিয়া পৌঁছানোর আগে তিনি টেক্সাস ইউনিভার্সিটির ল স্কুলটিতে লর্ডে মার্স ম্যাকলিন অধ্যাপক ছিলেন। তিনি হার্ভার্ড এবং মিশিগান আইন বিদ্যালয়ে এবং প্যারিসের ইউনিভার্সিটি প্যান্থন-অ্যাসাস এবং সায়েন্সেস-পো বিশ্ববিদ্যালয়, জেনেভারার স্নাতক ইনস্টিটিউট অফ ইন্টারন্যাশনাল অ্যান্ড ডেভেলপমেন্ট স্টাডিজ এবং ফ্লোরেন্সের ইউরোপীয় বিশ্ববিদ্যালয় ইনস্টিটিউটে অধ্যাপক পরিদর্শন করেছেন।
মহামারীর হাদীস থেকে পাঠ
মহামারীর হাদীস থেকে পাঠ
নবী মোহাম্মদের বাণী মুসলিম সমাজকে COVID-19 সঙ্কটের সময় জরুরী প্রশ্নের জবাব দিতে সহায়তা করতে পারে।
জেমি অলিভার
জেমি অলিভার
অলিভার লা রোজার সংগীত ও গবেষণা ইলেকট্রনিক এবং কম্পিউটার সংগীতে বাদ্যযন্ত্রের ধারণাটি আবিষ্কার করে, শুনায়, বোঝে, মনে রাখে এবং প্রতিক্রিয়া জানায় instruments তার ওপেন সোর্স সাইলেন্ট ড্রাম এবং মানো নিয়ামকরা হাতের অঙ্গভঙ্গিগুলি অবিচ্ছিন্নভাবে ট্র্যাক এবং শ্রেণীবদ্ধ করতে কম্পিউটার ভিশন কৌশল ব্যবহার করেন।
সরকারী আইনজীবী v। টাকাগি
সরকারী আইনজীবী v। টাকাগি
কলম্বিয়া গ্লোবাল ফ্রিডম অফ এক্সপ্রেশন আন্তর্জাতিক এবং জাতীয় নিয়মাবলী এবং সংস্থাগুলি সম্পর্কে সমঝোতার অগ্রগতি অর্জনের চেষ্টা করেছে যা আন্তঃসড়ম্বিত বিশ্ব সম্প্রদায়ের তথ্য ও অভিব্যক্তির অবাধ প্রবাহকে সর্বোত্তম সুরক্ষার জন্য সাধারণ চ্যালেঞ্জের সাথে সুরক্ষিত করে। এর লক্ষ্য অর্জনের জন্য, গ্লোবাল ফ্রিডম অফ এক্সপ্রেশন গবেষণা এবং নীতি প্রকল্প পরিচালনা এবং কমিশন পরিচালনা করে, ইভেন্ট এবং সম্মেলন আয়োজন করে এবং একবিংশ শতাব্দীতে মত প্রকাশের স্বাধীনতা এবং তথ্যের সুরক্ষা সম্পর্কিত বিশ্বব্যাপী বিতর্কে অংশ নেয় এবং অবদান রাখে।
চেম্বার অফ কমার্স, ইন্ডাস্ট্রি, হস্তশিল্প ও কৃষি লেসেস ভি। সালভাতোর মান্নি
চেম্বার অফ কমার্স, ইন্ডাস্ট্রি, হস্তশিল্প ও কৃষি লেসেস ভি। সালভাতোর মান্নি
কলম্বিয়া গ্লোবাল ফ্রিডম অফ এক্সপ্রেশন আন্তর্জাতিক এবং জাতীয় নিয়মাবলী এবং সংস্থাগুলি সম্পর্কে সমঝোতার অগ্রগতি অর্জনের চেষ্টা করেছে যা আন্তঃসড়ম্বিত বিশ্ব সম্প্রদায়ের তথ্য ও অভিব্যক্তির অবাধ প্রবাহকে সর্বোত্তম সুরক্ষার জন্য সাধারণ চ্যালেঞ্জের সাথে সুরক্ষিত করে। এর লক্ষ্য অর্জনের জন্য, গ্লোবাল ফ্রিডম অফ এক্সপ্রেশন গবেষণা এবং নীতি প্রকল্প পরিচালনা এবং কমিশন পরিচালনা করে, ইভেন্ট এবং সম্মেলন আয়োজন করে এবং একবিংশ শতাব্দীতে মত প্রকাশের স্বাধীনতা এবং তথ্যের সুরক্ষা সম্পর্কিত বিশ্বব্যাপী বিতর্কে অংশ নেয় এবং অবদান রাখে।
পৃথিবী এবং এর জনগণ, দ্বিতীয় খণ্ড: 1500 সাল থেকে: একটি গ্লোবাল ইতিহাস
পৃথিবী এবং এর জনগণ, দ্বিতীয় খণ্ড: 1500 সাল থেকে: একটি গ্লোবাল ইতিহাস
নোবেল পুরষ্কারপ্রাপ্ত অর্থনীতিবিদ জোসেফ স্টিগ্লিটজের সভাপতিত্বে কলম্বিয়া বিশ্ববিদ্যালয়ে বৈশ্বিক চিন্তাভাবনা কমিটি বিশ্বায়নের উপর আন্তঃশৃঙ্খলা গবেষণাকে উত্সাহ দেয়।
সমষ্টিগত ডেটা বা স্বতন্ত্র অংশগ্রহণকারী ডেটা মেটা-বিশ্লেষণগুলি মেটা-বিশ্লেষণ (পূর্ববর্তী এবং সম্ভাব্যভাবে চালিত বিশ্লেষণ)
সমষ্টিগত ডেটা বা স্বতন্ত্র অংশগ্রহণকারী ডেটা মেটা-বিশ্লেষণগুলি মেটা-বিশ্লেষণ (পূর্ববর্তী এবং সম্ভাব্যভাবে চালিত বিশ্লেষণ)
সংক্ষিপ্তসারসটওয়্যারডেস্কিপশনস ওয়েবসাইটগুলি রিডিংসকোর্সস ওভারভিউ এই পৃষ্ঠার উদ্দেশ্যটি তিনটি পরিমাণগত পদ্ধতির বর্ণনা এবং তুলনা করা agg সামগ্রিক ডেটার মেটা-বিশ্লেষণ, পৃথক অংশীদার ডেটার বিশিষ্ট বিশ্লেষণ (প্রত্নতাত্ত্বিক পুলিত অধ্যয়ন), এবং সম্ভাব্য পরিকল্পনাযুক্ত পোল্ড স্টাডিজ-এবং গ্রহণকে সমর্থন করার জন্য সংস্থান সরবরাহ করে এদের মধ্যে