×
弗雷德里科·阿尔梅达。;Enrico A.Colosimo。;维尼修斯·D·梅林克。

半参数混合治愈模型中单调似然的修正分数函数。 （英语） Zbl 1523.62083号

生物。J。 64，第3号，635-654（2022）.

引用于1文件

MSC公司：

62页第10页 统计学在生物学和医学中的应用；元分析

关键词：

Cox回归;治愈率;EM算法;第五种方法;黑色素瘤

软件：

考克斯夫;引导数据库;后勤人员;R（右）;涂抹
PDF格式BibTeX公司 XML格式引用
\textit{F.M.Almeida}等人，《生物》。J.64，No.3，635--654（2022；Zbl 1523.62083）
全文： 内政部

参考文献：

[1] O.Aalen（1978）。计数过程族的非参数推断。《统计年鉴》，6701-726·Zbl 0389.62025号
[2] Achcar，J.A.、Coelho‐Barros，E.A.和Mazucheli，J.（2012）。使用混合物和非混合物模型的固化分数模型。数学出版物，51，1-9·Zbl 1313.62137号
[3] Albert，A.和Anderson，J.A.（1984年）。关于logistic回归模型中极大似然估计的存在性。生物统计学，71，1-10·Zbl 0543.62020号
[4] Almeida，F.M.、Colosimo，E.A.和Mayrink，V.D.（2018年）。处理Cox回归模型中单调似然问题的先验规范。统计学及其接口，11687-698·Zbl 06944677号
[5] Almeida，F.M.、Colosimo，E.A.和Mayrink，V.D.（2020年）。Firth调整了混合固化分数模型中单调似然的得分函数。终身数据分析，27，131-155。https://doi.org/10.1007/s10985‐020‐09510‐4. ·Zbl 07447312号 ·doi:10.1007/s10985‐020‐09510‐4
[6] Andersen，P.K.（1991）。生存分析1982-1991：比例风险回归模型的第二个十年。医学统计，1931-1941年10月。
[7] Arce，P.M.、Camilon，P.R.、Stokes，W.A.、Nguyen，S.A.和Lentsch，E.J.（2014）。性别是头颈部皮肤黑色素瘤的独立预后因素吗？喉镜，124（6），1363-1367。
[8] Berkson，J.和Gage，R.P.（1952年）。癌症患者治疗后的生存曲线。美国统计协会杂志，47，501-515。
[9] Boag，J.W.（1949年）。癌症治疗治愈患者比例的最大似然估计。英国皇家统计学会杂志，B辑，11，15-53·Zbl 0034.08001号
[10] Breslow，N.（1972年）。D.R.Cox（1972）的论文讨论。英国皇家统计学会杂志，B辑，34216-217。
[11] Bryson，M.C.和Johnson，M.E.（1981年）。Cox模型中单调似然的发生率。技术计量学，23，381-383。
[12] Cai，C.、Zou，Y.、Peng，Y.和Zhang，J.（2012）。smcure：用于估计半参数混合物固化模型的R包。生物医学中的计算机方法和程序，1081255-1260。
[13] Cherobin，A.C.F.P.、Wainstein，A.J.A.、Colosimo，E.A.、Goulart，E.M.A.和Bittencourt，F.V.（2018年）。皮肤黑色素瘤转移的预后因素。Anais Brasileiros de Dermatologia，93、19-26岁。
[14] Cho，M.、Schenker，N.、Taylor，J.M.和Zhuang，D.（2001）。对长期存活者和部分观察到的协变量进行生存分析。加拿大统计杂志，29，421-436·兹比尔0987.62067
[15] Corbière，F.、Commumes，D.、Taylor，J.M.和Joly，P.（2009年）。混合治愈模型的惩罚似然方法。医学统计学，28，510-524。
[16] Cox，D.R.（1972）。回归模型和生命表。英国皇家统计学会杂志，B辑，34187-202。
[17] Cox，D.R.和Snell，E.J.（1968年）。残差的一般定义。英国皇家统计学会期刊：B系列（方法论），30248-265·Zbl 0164.48903号
[18] Damato，B.、Eleuteri，A.、Taktak，A.F.和Coupland，S.E.（2011年）。脉络膜黑色素瘤治疗后生存期的预后评估。视网膜和眼睛研究进展，30（5），285-295。
[19] Demarqui，F.N.、Dey，D.K.、Loschi，R.H.和Colosimo，E.A.（2014）。用治愈率对生存数据建模的全半参数贝叶斯方法。《生物医学杂志》，56198-218·Zbl 1441.62322号
[20] Dempster，A.P.、Laird，N.M.和Rubin，D.B.（1977年）。通过EM算法从不完整数据中获得最大似然。英国皇家统计学会杂志，B辑，39，1-22·Zbl 0364.62022号
[21] Efron，B.和Tibshirani，R.J.（1993）。引导程序简介（第1版）。CRC出版社·Zbl 0835.62038号
[22] 方，H.-B。，Li，G.和Sun，J.（2005）。半参数逻辑/比例风险混合模型中的最大似然估计。《斯堪的纳维亚统计杂志》，32，59-75·Zbl 1087.62109号
[23] 《永别了，V.T.》（1982）。使用混合模型分析长期幸存者的生存数据。生物统计学，381041-1046。
[24] Fijorek，K.和Sokołowski，A.（2012）。抗分离和减少偏倚的逻辑回归：宏观统计。统计软件杂志，47，1-12。
[25] Firth，D.（1992）。减少偏见，杰弗里斯之前和微光。L.Fahrmeir（编辑）、B.Francis（编辑）和R.Gilchrist（编辑）以及G.Tutz（编辑），《GLIM和统计建模进展：GLIM 92会议论文集》，慕尼黑（第91-100页）。斯普林格·Zbl 0771.00027号
[26] Firth，D.（1993）。最大似然估计的偏差减少。《生物特征》，80，27-38·Zbl 0769.62021号
[27] 格陵兰，S.和曼苏尼亚，M.A.（2015）。惩罚、偏倚减少和逻辑及相关分类和生存回归中的默认先验。医学统计学，343133-3143。
[28] Gu，Y.、Sinha，D.和Banerjee，S.（2011年）。比例优势模型下治愈率生存数据分析。终身数据分析，17，123-134·Zbl 1322.62273号
[29] He，Z.和Emura，T.（2019年）。生存数据计算方面的COM‐Poisson治愈率模型。中国统计学会学报，57，1-42。
[30] Heinze，G.、Ploner，M.、Dunker，D.和Southworth，H.（2016）。包“logistf”：Firth的偏差减少逻辑回归。R包版本，1。
[31] Heinze，G.和Schemper，M.（2001年）。Cox回归中单调似然问题的一种解决方法。生物统计学，57114-119·Zbl 1209.62024号
[32] Heinze，G.和Schemper，M.（2002年）。逻辑回归中分离问题的解决方案。医学统计学，212409-2419。
[33] Jeffreys，H.（1946年）。估计问题中先验概率的不变形式。伦敦皇家学会会刊。数学和物理科学系列，186，453-461·兹比尔0063.03050
[34] Kaplan，E.L.和Meier，P.（1958年）。不完全观测的非参数估计。美国统计协会杂志，53，457-481·Zbl 0089.14801号
[35] Kenne Pagui，E.C.和Colosimo，E.A.（2020年）。调整cox回归模型中单调似然的得分函数。医学统计学，391558-1572。
[36] Klein，J.P.和Moeschberger，M.L.（2006）。生存分析：删减和截断数据的技术。斯普林格。
[37] Kuk，A.Y.C.和Chen，C.‐H。(1992). 将逻辑回归与比例风险回归相结合的混合模型。Biometrika，79531-541·Zbl 0775.62300号
[38] 林，I.‐F。，Chang，W.P.和Liao，Y.‐N。(2013). 收缩方法提高了使用少量事件的Cox模型进行参数估计的准确性。临床流行病学杂志，66743-751。
[39] Liu，Y.、Hu，T.和Sun，J.（2017）。存在治愈亚组和依赖性审查的当前状态数据的回归分析。终身数据分析，23626-650·Zbl 1468.62392号
[40] Louis，T.A.（1982年）。使用EM算法时，寻找观测信息矩阵。《皇家统计学会杂志》，B辑，44，226-233·Zbl 0488.62018号
[41] Lu，W.（2008）。比例风险治愈模型中的最大似然估计。统计数学研究所年鉴，60545-574·Zbl 1169.62347号
[42] Masud，A.、Tu，W.和Yu，Z.（2018）。混合和促进时间固化率模型的变量选择。医学研究中的统计方法，272185-2199。
[43] Murphy，S.A.（1994年）。包含随机效应的比例风险模型的一致性。《统计年鉴》，22712-731·Zbl 0827.62033号
[44] Naseri，P.、Baghestani，A.R.、Momenyan，N.和Akbari，M.E.（2018年）。基于广义修正威布尔分布的混合治愈率模型在乳腺癌患者生存分析中的应用。国际癌症管理杂志，11。https://doi.org/10.5812/ijcm.62863。 ·doi:10.5812/ijcm.62863
[45] Nash，J.C.（2014）。使用R工具进行非线性参数优化（第1版）。威利·Zbl 1311.90001号
[46] Nelson，W.（1969年）。不完整故障数据的危险图。《质量技术杂志》，1，27-52。
[47] Niu，Y.和Peng，Y.（2013）。成簇生存数据的半参数边际混合治愈模型。医学统计学，322364-2373。
[48] 彭毅（2003）。在比例风险治疗模型中估计基线分布。计算统计学和数据分析，42187-201·Zbl 1429.62589号
[49] Peng，Y.，&Dear，K.B.（2000）。治愈率估计的非参数混合模型。生物统计学，56，237-243·Zbl 1060.62651号
[50] Peng，Y.，Dear，K.B.，&Denham，J.（1998）。治愈率估计的广义F混合模型。医学统计，17813-830。
[51] Pianto，D.M.和Cribari‐Neto，F.（2011年）。处理斑点数据模型中的单调似然。计算统计与数据分析，551394-1409·Zbl 1328.65040号
[52] Ploner，M.和Heinze，G.（2015）。coxphf：与Firth惩罚可能性的Cox回归。R软件包版本1.1。
[53] R核心团队。(2020). R： 用于统计计算的语言和环境。R统计计算基金会。统一资源定位地址https://www.R‐project.org/。
[54] Rainey，C.（2016）。处理逻辑回归模型中的分离。政治分析，24339-355。
[55] Rizzo，M.L.（2007）。R的统计计算（第1版）。查普曼和霍尔/CRC。
[56] Rosen，O.、Jiang，W.和Tanner，M.A.（2000）。边际模型的混合。生物特征，87，391-404·Zbl 0949.62067号
[57] Scharfstein，D.O.、Tsiatis，A.A.和Gilbert，P.B.（1998年）。右删失时间到事件数据回归模型广义比值率类中的半参数有效估计。终身数据分析，4355-391·Zbl 0941.62043号
[58] Silvapulle，M.J.（1981）。关于二项响应模型最大似然估计的存在性。英国皇家统计学会杂志，B辑，43，310-313·Zbl 0475.62053号
[59] Sy，J.P.和Taylor，J.M.（2000年）。Cox比例风险治愈模型中的估计。生物计量学，56227-236·Zbl 1060.62670号
[60] Sy，J.和Taylor，J.（2001）。Cox比例风险治愈模型的标准误差。数学与计算机建模，331237-1251·Zbl 1005.62087号
[61] Taylor，J.M.G.（1995）。故障时间混合模型中的半参数估计。生物统计学，51899-907·Zbl 0875.62493号
[62] Wang，P.、Tong，X.和Sun，J.（2018）。双删失数据的半参数回归治愈模型。终身数据分析，24492-508·Zbl 1468.62415号
[63] Wu，J.、deCastro，M.、Schifano，E.D.和Chen，M.‐H。(2018). 在存在单调部分似然的情况下，使用Cox模型中的Jeffreys类型先验来评估协变量效应。统计理论与实践杂志，12，23-41·兹比尔1425.62135
[64] Yakovlev，A.Y.和Tsodikov，A.D.（1996）。肿瘤潜伏期的随机模型及其生物统计应用。世界科学。统一资源定位地址https://doi.org/10.1142/2420 ·Zbl 0919.92024号 ·doi:10.1142/2420
[65] Zarean，E.、Azizmohammad Looha，M.、Amini，P.、Azimi，T.和Mahmoudi，M.（2019年）。使用参数非混合治愈率模型评估食管癌患者的长期生存率。高级医学和生物医学研究杂志，27，43-50。
[66] Zorn，C.（2005）。二进制响应模型中的分离解决方案。《政治分析》，第13期，第157-170页。
此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。