Book an appointment with Studio 11 using SetMore

Si vous connaissez la distribution paramétrique que vos données suivent, utilisez une approche de vraisemblance maximale et la distribution est logique. L`avantage réel de la régression des risques proportionnels de Cox est que vous pouvez toujours adapter les modèles de survie sans connaître (ou assumer) la distribution. Vous donnez un exemple en utilisant la distribution normale, mais la plupart des temps de survie (et d`autres types de données que la régression de Cox PH est utilisé pour) ne se rapproche pas de suivre une distribution normale. Certains peuvent suivre un log-normal, ou un Weibull, ou une autre distribution paramétrique, et si vous êtes disposé à faire cette supposition alors l`approche paramétrique de probabilité maximale est grande. Mais dans de nombreux cas du monde réel, nous ne savons pas ce que la distribution appropriée est (ou même une approximation assez proche). Avec la censure et covariables nous ne pouvons pas faire un simple histogramme et dire “qui ressemble à un… distribution pour moi». Il est donc très utile d`avoir une technique qui fonctionne bien sans avoir besoin d`une distribution spécifique. Il peut apparaître au début que les modèles semi-paramétriques comprennent des modèles non paramétriques, car ils ont une dimension infinie ainsi qu`un composant de dimension finie. Toutefois, un modèle semi-paramétrique est considéré comme étant «plus petit» qu`un modèle complètement non paramétrique, car nous ne sommes souvent intéressés que par le composant de dimension finie de θ {displaystyle Theta}. Cela est, nous ne sommes pas intéressés à estimer la composante de dimension infinie. Dans les modèles non paramétriques, en revanche, l`intérêt principal est d`estimer le paramètre de dimension infinie. Ainsi, la tâche d`estimation est statistiquement plus difficile dans les modèles non paramétriques.

Il ya des moments Cependant quand ce n`est pas non plus vrai. J`ai fait du travail avec des modèles entièrement paramétriques parce que le danger sous-jacent était d`intérêt. Diagramme de risque proportionnel du modèle de risques proportionnels où le risque de cancer de l`ovaire est expliqué par l`âge (âge), la maladie résiduelle (RESID. DS), le traitement (RX) et l`état de performance ECOG (ecog.ps). À l`axe horizontal, on rapporte le minimum, le premier quartile, la médiane, le troisième quartile et les valeurs maximales de chaque covariable.

css.php