Tôi nên sử dụng mô hình nào cho các mối nguy theo tỷ lệ Cox với dữ liệu được ghép nối?

Tôi hy vọng ai đó có thể giúp tôi với mô hình nào (yếu, tầng lớp hoặc cụm) tôi nên sử dụng cho dữ liệu của mình. Tôi đã ghép nối dữ liệu vì vậy tôi cần tính đến điều đó khi lập mô hình Cox PH và không chắc chắn mô hình nào sẽ cho tôi kết quả chính xác hơn.

Nghiên cứu của tôi đã xem xét thời gian cần thiết để một người trở nên bình tĩnh sau khi phải chịu một kích thích cụ thể. Mỗi người phải chịu hai kích thích khác nhau, vào những ngày riêng biệt. Họ được chỉ định ngẫu nhiên kích thích đầu tiên. Tôi đã mô hình hóa điều này với phân tích sinh tồn (theo thời gian đến sự kiện) nhưng bây giờ tôi cần phải tính đến việc dữ liệu được ghép nối.

Bất kỳ trợ giúp liên quan đến khi bạn sẽ sử dụng mô hình yếu, tầng lớp hoặc cụm sẽ là tuyệt vời.

Chủ đề này được bao phủ bởi một số giấy tờ bao gồm:

• Mô hình hóa dữ liệu sinh tồn cụm từ các thử nghiệm lâm sàng đa trung tâm
• Mô hình điểm yếu được chia sẻ và sức mạnh cho các thử nghiệm không đồng nhất trong các thử nghiệm đa trung tâm
• Mô hình lừa đảo, Chương 3
• Mô hình mối nguy hiểm tỷ lệ với các yếu tố và hiệu ứng ngẫu nhiên.

Dưới đây là một bản tóm tắt rất ngắn gọn (và không đầy đủ) về sự khác biệt giữa hai phương pháp.

Cách tiếp cận phân tầng

Đối với mỗi cặp, có một chức năng nguy hiểm cơ bản không xác định. Ý tưởng khả năng một phần có thể dễ dàng thích nghi bằng cách nhân các khả năng từng phần cụ thể cho từng tầng.

Ưu điểm :

• Thiếu cấu trúc.

Nhược điểm :

• Nó không cung cấp bất kỳ thông tin nào về sự không đồng nhất giữa các cặp;
• Các cặp trong đó cả hai thành viên chia sẻ cùng một thông tin đồng biến hoặc chỉ cung cấp các quan sát kiểm duyệt không đóng góp vào khả năng; điều này là do không có sự so sánh giữa các cặp được thử.

Cách tiếp cận gian lận

Liên kết trong cặp được tính bằng một hiệu ứng ngẫu nhiên chung cho cả hai thành viên từ cùng một cặp. Do đó, lại có một mối nguy cơ bản khác nhau cho mỗi cặp, nhưng chúng không hoàn toàn không được chỉ định; có một số cấu trúc. Ước tính dựa trên khả năng cận biên.

Ưu điểm :

• Parsimony: tính không đồng nhất được mô tả bởi một tham số duy nhất;
• Các biện pháp tóm tắt về tính không đồng nhất có sẵn ( Hiểu về tính không đồng nhất ... );
• Có thể nghiên cứu ảnh hưởng của các biến phổ biến trong các cặp.

Nhược điểm :

• tính sẵn có của phần mềm (trong R, bạn có thể xem coxph()hoặc parfm(); trong SAS, bạn có thể xem proc phreg);
• nghiên cứu vẫn đang tiếp tục.

Như một kết luận, sự lựa chọn phụ thuộc vào nghiên cứu của bạn. Tuy nhiên, tài liệu tham khảo cuối cùng từ danh sách đưa ra một số hướng dẫn:

Đối với các tình huống trong đó kích thước nhóm là năm hoặc lớn hơn, rất khó để biện minh cho việc sử dụng mô hình hiệu ứng ngẫu nhiên so với mô hình phân tầng, mô hình sau này được thực hiện dễ dàng hơn rất nhiều. Câu chuyện thay đổi đối với kích thước nhóm nhỏ hơn năm và đặc biệt là đối với các nghiên cứu sinh đôi, mức tăng hiệu quả là do chúng tôi muốn sử dụng mô hình hiệu ứng ngẫu nhiên hơn mô hình phân tầng. Mô hình phân tầng vẫn còn hiệu lực nhưng có thể yêu cầu quan sát nhiều hơn từ 20% đến 30% để đạt được độ chính xác tương tự.