×
李丹;王，夏;迪帕克·戴伊。

基于广义极值分布和高斯过程先验的空间相关生存数据的灵活治愈率模型。 （英语） Zbl 1358.62098号

生物。J。 58，第5期，1178-1197（2016）.
摘要：我们目前的工作提出了一个新的贝叶斯生存模型，用于分析具有生存分数的种群的右感知生存数据，假设对数失效时间服从广义极值分布。许多应用需要对协变量信息进行更灵活的建模，而不是对所有协变量效应进行简单的线性或参数形式的建模。也有必要在模型中包括空间变化，因为分析中考虑的协变量有时无法解释空间变化。因此，非线性协变量效应和空间效应被纳入我们模型的系统组成部分。高斯过程（GP）为潜在的非线性关系建模提供了一个自然的框架，最近在非线性回归中变得非常强大。我们提出的模型采用半参数贝叶斯方法，在连续协变量的非线性结构上施加GP先验。考虑到数据可用性和计算复杂性，将条件自回归分布置于区域特定脆弱性上，以处理空间相关性。通过对模拟数据示例以及涉及爱荷华州结肠癌临床试验的数据集的分析，说明了我们提出的模型的灵活性和收益。

引用于7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
62N01号 审查数据模型
62-07 数据分析（统计）（MSC2010）

关键词：

治愈率模型;高斯过程;广义极值分布;马尔可夫链蒙特卡罗（MCMC）;空间效应

软件：

依斯梅夫
PDF格式BibTeX公司 XML格式引用
\textit{D.Li}等人，《生物》。J.58，第5号，1178--1197（2016；Zbl 1358.62098）
全文： 内政部

参考文献：

[1] Banerjee，间隔相关复发时间数据的参数化空间治愈率模型，《生物统计学》60，第268页–（2004）·兹比尔1130.62367 ·文件编号：10.1111/j.0006-341X.2004.00032.x
[2] Barrett，J.E.Coolen，A.C.2014生存数据与竞争风险的高斯过程回归
[3] 伯克森，癌症患者治疗后的生存曲线，《美国统计协会杂志》47页501–（1952）·doi:10.1080/01621459.1952.10501187
[4] Cancho，具有治愈率的生存数据的灵活模型：贝叶斯方法，《应用统计杂志》38，第57页–（2011）·doi:10.1080/02664760903254052
[5] 卡林，《贝叶斯统计》，第7页，第45页——（2003年）
[6] Chen，具有生存分数的生存数据的新贝叶斯模型，《美国统计协会杂志》94页909页–（1999）·兹比尔0996.62019 ·doi:10.1080/01621459.1999.10474196
[7] 科尔斯，极值统计建模导论（2001）·Zbl 0980.62043号 ·doi:10.1007/978-1-4471-3675-0
[8] Cooner，潜在激活方案下的灵活治愈率模型，美国统计协会杂志102 pp 560–（2007）·Zbl 1172.62331号 ·doi:10.1198/0162145000000112
[9] Cooner，用治愈分数模拟地理参考生存数据，《医学研究统计方法》，第15页，307–（2006）·Zbl 1122.62342号 ·doi:10.1191/0962280206sm453oa
[10] Castro，治愈部分参数化贝叶斯长期生存模型，《生物医学杂志》51第443页–（2009）·doi:10.1002/bimj.200800199
[11] Dey，非线性随机效应模型的贝叶斯方法，《生物统计学》53页1239–（1997）·Zbl 0911.62024号 ·doi:10.2307/2533493
[12] Diva，多癌症患者空间相关生存数据建模，统计建模7第191页–（2007）·doi:10.1177/1471082X0700700205
[13] Gelfand，Bayesian Statistics 4，第147页–（1992）
[14] Gu，比例优势模型下治愈率生存数据分析，数学与计算机建模17 pp 123–（2011）·Zbl 1322.62273号
[15] Hughes，空间广义线性混合模型的降维和混淆缓解，《皇家统计学会杂志》B 75第139页–（2013）·doi:10.1111/j.1467-9868.2012.01041.x
[16] 易卜拉欣，具有治愈分数的生存数据的贝叶斯半参数模型，生物统计学57页383–（2001a）·Zbl 1209.62036号 ·doi:10.1111/j.0006-341X.2001.00383.x
[17] 易卜拉欣，贝叶斯生存分析（2001b）·Zbl 0978.62091号 ·doi:10.1007/978-1-4757-3447-8
[18] Kim，生存数据的新潜在治愈率标记模型，《应用统计年鉴》3第1124页–（2009）·兹比尔1196.62142 ·doi:10.1214/09-AOAS238
[19] Lambert，《基于人群的癌症生存分析中治愈率的估计和建模》，《生物统计学》第8卷第576页–（2007年）·Zbl 1121.62096号 ·doi:10.1093/biostatistics/kxl030
[20] LeBlanc，Cox模型中的自适应回归样条，《生物统计学》55页204–（1999）·Zbl 1059.62668号 ·doi:10.1111/j.0006-341X.1999.00204.x
[21] Murray，《神经信息处理系统进展》，第23页，1723页–（2010年）
[22] Neal，使用高斯过程先验的回归和分类，贝叶斯统计6第475页–（1999）·Zbl 0974.62072号
[23] Northrop，P.J.Attalides，N.2015使用参考先验值进行贝叶斯极值分析的后验适当性·Zbl 1360.62247号
[24] 拉斯穆森，机器学习的高斯过程（自适应计算和机器学习）（2005）
[25] 罗德里格斯，《关于长期生存模型的统一》，《统计学与概率快报》79页753页–（2009年）·Zbl 1349.62485号 ·doi:10.1016/j.spl.2008.10.029
[26] Roy，D.Roy，V.Dey，D.K.2013年美国康涅狄格州康涅狄格斯托尔斯大学广义极值分布下治愈分数生存数据分析
[27] Roy，广义极值分布下分类模型和生存模型中出现的后验分布的适用性，《中国统计》24页699–（2014）
[28] SEER 2014监测、流行病学和最终结果（SEER）计划www.SEER.cancer.gov
[29] Spiegelhalter，模型复杂性和拟合的贝叶斯度量，《皇家统计学会杂志：B辑（统计方法）》，64页583–（2002）·Zbl 1067.62010年 ·数字对象标识代码：10.1111/1467-9868.00353
[30] Tsodikov，长期和短期生存率的半参数模型：按年龄和分期分析犹他州乳腺癌生存率的应用，《医学统计学》21，第895页–（2002）·doi:10.1002/sim.1054
[31] Tsodikov，《从生存数据估算治愈率：两组分混合模型的替代方法》，《美国统计协会杂志》98页1063–（2003）·doi:10.1198/016221450300001007
[32] Wang，二进制响应数据的广义极值回归：B2B电子支付系统采用的应用，《应用统计年鉴》2000–（2010），第4页·Zbl 1220.62165号 ·doi:10.1214/10-AOAS354
[33] 雅科夫列夫，肿瘤复发阈值模型，数学和计算机建模23页153–（1996）·Zbl 0858.92020号 ·doi:10.1016/0895-7177（96）00024-6
[34] Yakovlev，肿瘤潜伏期随机模型及其生物统计应用（1996）·Zbl 0919.92024号 ·doi:10.1142/2420
[35] Yu，《基于人群的癌症相对存活率数据的空间脆弱性混合治疗模型的贝叶斯方法》，《加拿大统计杂志》第40页，第40页–（2012年）·Zbl 1236.62157号 ·doi:10.1002/cjs.10135
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。