导读:本文包含了危险率模型论文开题报告文献综述及选题提纲参考文献，主要关键词:经验似然,删失数据,比例危险率模型,区间估计
危险率模型论文文献综述
邓韬[1]（2019）在《带区间删失的相依协变量比例危险率模型的经验似然推断》一文中研究指出本文研究对象是COX比例危险率模型,该模型应用广泛属于生存分析中的工具性模型。在不同领域中都发挥出重要作用,比如:生物医学、社会经济、基金保险等领域。最常见就是在生物医学领域,由于该领域数据常常存在删失情况,所以该模型常受到研究者的青睐。从理论上来看,模型出现删失数据时,就会出现个体的生存时间服从于不同的概率密度分布,并且对应的危险率函数的形式也有很大变化。这时,COX模型的优势就体现了出来,能较好的进行建模分析。本文针对相依区间删失数据,具体分析了比例危险率模型的参数估计,证明了统计量具有良好的性质;旨在医学领域的实验研究和工程领域的可靠性研究中给予一定的帮助。本文研究了比例危险率模型下相依区间删失数据的半参数回归问题。利用经验似然的方法(EL),构造了COX比例危险率模型中参数的估计方程并且求出了未知参数的估计量;证明了含有参数的统计量的渐近分布;并通过R软件对模型进行数值模拟分析。具体内容如下:首先,分析了相依区间删失的COX比例危险率模型研究现状,以及介绍了COX比例危险率模型的具体表达式、关于区间删失数据处理方法的一些研究成果、以及包括经验似然方法(EL)在内的模型中未知参数的估计方法。其次,引用隐变量对区间删失数据进行处理,可以描述出失效时间和删失时间的关系;利用经验似然的方法,对协变量区间删失含未知参数的COX比例危险率模型的估计结果进行统计推断;得出模型中未知参数置信区间的表达式并给出相关结论证明。最后,将上述估计方法所求的未知参数进行模拟实验分析,模拟结果表明:对于同一种估计方法,随着样本量的增加,参数置信区间的覆盖概率逐渐增加,标准误差逐渐减小;在样本量n相同的情况下,删失比例CR越小,两种方法的置信区间长度会越小,覆盖概率就接近置信水平。进一步来看,如果样本量和区间删失比率相同时,对比两种方法的覆盖概率,那么经验似然(EL)的覆盖概率比最大似然估计(MLE)要精确一点。因为最大似然估计方法中,模型中未知参数估计的结果可能会存在有偏估计。因此,从模拟的结果来看,用来估计未知参数的统计方法中,经验似然法(EL)估计结果较好。(本文来源于《湖南师范大学》期刊2019-05-01）
冯洁[2]（2017）在《Ⅱ型区间删失数据下带辅助协变量的可加危险率模型回归分析》一文中研究指出经济学、保险精算学、生物学、医学、人口统计学、犯罪学以及可靠性工程学等众多学科中,广泛存在着对某一特定事件发生的时间进行估计和预测的问题。生存分析就是借助统计学的方法与理论,解决与给定事件发生时间相关的问题的技术。生存分析中获得的数据集往往有一个共性,即观测的结果常常是删失抑或截断的。对个体仅有两次观测而只能确定事件发生的时间与时间段的关系但无法获知精确的时间点时,称之为Ⅱ型区间删失数据。在生存分析中,常常可以通过比例危险率模型和可加危险率模型等对生存时间和影响生存状态的协变量之间的关系进行描述。两种模型分别从不同角度描述了失效时间与协变量间的关系,当研究重点在于风险差异时,可加危险率模型往往较比例危险率模型在应用上更加可信。当建模过程中出现协变量部分缺失的情形时,在关于协变量的辅助信息可以使用的情形下,辅助协变量的加入可以显着提高模型的估计效率。本文在Feng et al.(2015)对Ⅰ型区间删失数据下带辅助协变量的可加危险率模型的回归分析基础上,解决了Ⅱ型区间删失数据下带辅助协变量的可加危险率模型的回归分析问题。本文首先阐明了模型相关问题的研究背景与研究现状,进而利用基于估计方程的方法,通过强度过程建立了传统的偏似然函数。然后通过辅助协变量引入引致强度思想,把偏似然函数转化为引致偏似然函数,最后将引致偏似然函数进一步转变为可估偏似然函数,从而有效利用了可加危险率模型中的辅助协变量信息。由于Ⅱ型区间删失数据比Ⅰ型区间删失数据复杂得多,通过对两次观测时间的顺序限制把Ⅱ型区间删失最终转化为Ⅰ型区间删失,从而最终解决了Ⅱ型区间删失数据下带辅助协变量的可加危险率模型的参数估计问题。并在此方法基础上通过分阶段估计参数的处理,提高了估计结果的有效性。对于两种估计方法得到的估计量,本文均在适当的正则条件下证明了估计结果的大样本性质。本文还对Ⅱ型多元区间删失情形、Ⅱ型信息区间删失情形、连续辅助协变量情形以及个体协变量部分缺失情形下的参数估计问题进行了简要探讨以期扩大两种方法的应用性。最后通过数值模拟与实例分析的方式表明了本文提出的两种方法所具有的应用价值。(本文来源于《浙江财经大学》期刊2017-06-01）
刘志坚[3]（2017）在《高维数据下半参数可加危险率模型中基于ISIS的变量选择方法及其应用》一文中研究指出目的本文主要介绍高维数据下半参数可加危险率模型中基于ISIS的变量选择方法,并探讨AHAZISIS模型,AHAZLASSOISIS模型,AHAZENISIS模型,AHAZSSCADISIS模型在高维数据生存分析中的优劣。从而揭示死亡或其他生存结局发生的时间与基因表达之间的关系,从基因层面上为疾病的诊疗和预后以及改进治疗方案提供依据。方法介绍AHAZISIS模型,AHAZLASSOISIS模型,AHAZENISIS模型和AHAZSSCADISIS模型的基本方法原理。针对生物信息学高维度,强相关,小样本量的数据特征进行数据模拟,并比较四种模型在不同模拟数据下的表现情况。最后利用来源于TCGA的前列腺癌数据进行实证研究。结果(1)各种模拟数据情形下,叁种初次惩罚函数的模拟结果在一致性和精确性的表现上差别不大。(2)各种数据情形下,四种再次惩罚函数在一致性方面OS-SCAD表现最好,SSCAD次之,Lasso第叁,EN表现最差;而在精确性方面,OS-SCAD和SSCAD较好,Lasso次之,EN表现最差。(3)各种数据情形下,再次惩罚函数SSCAD的不同steps在一致性方面,steps=1表现最好,steps=2,3,4,5比较接近;在精确性方面,steps=1表现最差,steps=2,3,4,5比较接近。(4)叁种初次惩罚函数,四种再次函数以及再次惩罚函数SSCAD的不同steps在精确性方面与协变量相关系数大小呈负相关,即相关系数较小则精确性高,反之精确性则低。(5)AHAZISIS模型、AHAZSSCADISIS模型在实证研究中筛选出基因数目少,模型可解释性较好。根据log-rank检验的p值大小,AHAZISIS模型、AHAZSSCADISIS模型在实证研究中预测能力方面表现较好。结论在模拟研究和实证研究中,各模型表现一致。AHAZISIS模型和AHAZSSCADISIS模型的模型解释性较好,估计精确性也较高,是处理高维度、强相关、小样本量的数据比较可靠的模型。而AHAZLASSOISIS模型和AHAZENISIS模型在处理高维度、强相关、小样本量的数据时表现较差,尤其是AHAZENISIS模型可解释性最差且估计精确性也最差。(本文来源于《重庆医科大学》期刊2017-05-01）
杨琳[4]（2017）在《生存数据下可加可乘危险率模型的估计》一文中研究指出生存时间常表现为起始事件和终止事件之间的持续时间。由于任何研究都不能无休止地进行到所有个体的终止事件发生,并且在追踪观测过程中还会有其他不可控的因素影响终止事件的发生,因此,生存数据通常都存在右删失。当起始事件的发生时间存在区间删失,终止事件的发生时间存在左截断右删失时,此类数据被称为左截断双删失数据。生存分析中,感兴趣的问题是可能的相关风险因素对生存时间的影响,既包括影响的形式,也包括影响的程度。以危险率函数为建模对象的可加可乘危险率模型同时包含了协变量对危险率的乘性和加性影响。其优点是可以同时估计不同影响形式的协变量的影响程度,难点是估计过程比单一的乘性模型或加性模型都更为复杂。根据模型中协变量的参数是否依赖于时间变化,可加可乘模型有几种不同的形式变换。Lin-Ying可加可乘模型中,协变量的参数均恒定不变;Cox-Aalen可加可乘危险率模型中,乘性影响的参数为常数,加性影响的参数为关于时间的函数;变系数可加可乘危险率模型中,乘性和加性影响的参数均为关于时间的函数。本文主要研究了左截断双删失和随机右删失数据下,可加可乘危险率模型的估计问题及其实证分析。第一,研究了左截断双删失数据下,Lin-Ying可加可乘危险率模型的估计问题。首先,运用两阶段法估计了模型的参数,估计结果包括忽略区间删失数据的初始估计和包含区间删失数据的修正估计;其次,通过模拟研究验证了所提方法在有限样本下估计结果的无偏性,结果显示修正的估计结果较初始估计结果更为有效;最后,运用该方法研究了恶性黑色素瘤切除手术的数据。模拟研究和实例研究都印证了包含区间删失信息的两阶段估计比直接将区间删失个体剔除的初始估计更有效。第二,研究了左截断双删失数据下,Cox-Aalen可加可乘危险率模型的估计问题。运用两阶段法估计模型参数的过程与Lin-Ying可加可乘危险率模型类似,不同之处在于Lin-Ying模型的初始估计使用了估计方程方法,Cox-Aalen模型使用了从极大似然函数导出的得分方程进行估计。通过模拟研究验证了有限样本下估计结果的无偏性,以及修正的估计结果比初始估计结果更为有效。通过实例研究再次说明两阶段估计更为可靠有效。第叁,研究了随机右删失数据下,变系数可加可乘危险率模型的估计问题。首先,基于局部常系数展开式,构建了局部似然函数来估计模型的变系数;其次,证明了局部似然估计结果的大样本性质(包括相合性和渐近正态性);最后,通过有限样本的模拟研究说明了估计结果的有效性和稳定性。(本文来源于《首都经济贸易大学》期刊2017-03-01）
陈菲菲,孙志华,叶雪[5]（2016）在《失效信息随机缺失时可加危险率模型的统计推断》一文中研究指出对失效信息随机缺失时的可加危险率模型的估计进行研究.充分利用失效信息和缺失信息的概率模型的信息,通过构建估计方程,得到回归参数和基准累积风险函数的3个估计.证明了所提估计的渐近正态性,并进行数值模拟研究其有限样本性质.利用数值模拟研究比较所提估计与文献中的估计的有限样本性质,并通过分析一个实际数据验证了本文方法的有效性.(本文来源于《中国科学院大学学报》期刊2016年04期）
李兰平[6]（2014）在《一类有界误差损失函数下比例危险率模型参数的Bayes估计》一文中研究指出在进行Bayes分析时,有界误差损失函数常比无界误差损失函数有更好的稳健性。本文基于一类有界误差损失函数——转换的Gamma损失函数,研究比例危险率模型参数的估计问题。在共轭先验分布为伽玛分布时,得到了参数的Bayes估计和经验Bayes估计。最后通过数值模拟例子说明得到的估计比平方误差损失和LINEX损失函数下的估计具有较强的稳健性。(本文来源于《统计与决策》期刊2014年22期）
杨青龙,郭丽莎,刘妍岩[7]（2014）在《多元失效时间数据的一般边际半参数危险率模型研究》一文中研究指出在生物医学研究中,多元失效时间数据非常常见.该文提出用一般边际半参数危险率回归模型来分析多元失效时间数据.此模型包括了叁种常用边际模型:边际比例风险模型、边际加速失效时间模型和边际加速危险模型作为子模型.对于模型中的回归系数,可以通过估计方程的方法来估计它,同时也给出了基准累积危险率函数的估计.得到的估计可以证明是相合的和渐近正态的.(本文来源于《数学物理学报》期刊2014年03期）
赵洁[8]（2014）在《Cox比例危险率模型中的拟合优度检验》一文中研究指出本文主要介绍了Cox比例危险率模型中的拟合优度检验,并给出实例分析,对Cox模型中异常点的的分析具有重要意义。(本文来源于《吉林广播电视大学学报》期刊2014年06期）
刘吉彩,张日权,刘焕彬[9]（2013）在《多类型复发事件间隔时间下可加危险率模型(英文)》一文中研究指出在许多的生物医学和工程研究中,多类型复发事件的间隔时间数据是很常见的.众所周知,比例危险率模型在一些情况下不能很好拟合生存数据.本文,在多类型复发事件的间隔时间数据下,我们利用可加危险率模型来研究协变量对生存时间的影响程度.我们采用估计方程方法获得回归系数和基准累积危险率函数估计.并且,我们建立了所提估计的渐近分布.(本文来源于《应用概率统计》期刊2013年04期）
柏慧[10]（2013）在《非线性Cox比例危险率模型的统计分析》一文中研究指出生存时间(存活时间)的评估与预测是医学的重要研究任务,可定义为从某种起始事件到达某终点事件所经历的时间跨度.生存时间的研究不一定专用于死亡与存活的情况,在流行病学研究中,从开始接触危险因素到发病所经历的时间等都可作为生存时间.生存时间的研究涉及基础科学和技术科学的许多领域,其中统计方法起着重要作用.从数学角度来看,不管是生物医学领域还是工程技术领域,这种研究都是对一个或多个非负随机变量(生存时间)进行统计分析.这种统计分析已形成现代数理统计学的重要分支——生存分析.在医学研究中,主要有叁种常用生存分析方法：非参数分析、半参数分析、参数分析.非参数生存时间分析方法局限于评价一个或少数几个定性变量的效应,但分析过程中常常要同时评价多个连续或分类解释变量的效应,这就需要应用多元生存数据模型技术,最常用的多元分析生存数据的方法是比例危险率模型(即Cox回归模型)(Cox(1972))它是不需要对危害函数形式作任何假设的半参数模型,仅仅假设危害比值为预测变量的线性函数.作为一种多因素生存分析方法,Cox比例危险率模型被广泛的应用,而非线性Cox模型相关结果未有深入分析的结果.本文在假设存在右删失数据的情况下,讨论了关于非线性Cox模型,得到了若干重要结果.第一章主要分析了非线性Cox比例危险率模型产生的背景及本文研究的主要工作.第二章主要研究了非线性Cox比例危险率模型似然函数与拟合,并应用于具体实例.第叁章主要分析了非线性Cox模型置信域的曲率表示.第四章主要分析了模型的评价,主要包括比例危险率模型假设的评价、模型拟合的整体评价、异常点检测等.通过本文的研究可以增加人们对非线性Cox模型的深入了解,促进理论研究及应用研究,具有理论意义及现实意义.(本文来源于《扬州大学》期刊2013-04-01）
危险率模型论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
经济学、保险精算学、生物学、医学、人口统计学、犯罪学以及可靠性工程学等众多学科中,广泛存在着对某一特定事件发生的时间进行估计和预测的问题。生存分析就是借助统计学的方法与理论,解决与给定事件发生时间相关的问题的技术。生存分析中获得的数据集往往有一个共性,即观测的结果常常是删失抑或截断的。对个体仅有两次观测而只能确定事件发生的时间与时间段的关系但无法获知精确的时间点时,称之为Ⅱ型区间删失数据。在生存分析中,常常可以通过比例危险率模型和可加危险率模型等对生存时间和影响生存状态的协变量之间的关系进行描述。两种模型分别从不同角度描述了失效时间与协变量间的关系,当研究重点在于风险差异时,可加危险率模型往往较比例危险率模型在应用上更加可信。当建模过程中出现协变量部分缺失的情形时,在关于协变量的辅助信息可以使用的情形下,辅助协变量的加入可以显着提高模型的估计效率。本文在Feng et al.(2015)对Ⅰ型区间删失数据下带辅助协变量的可加危险率模型的回归分析基础上,解决了Ⅱ型区间删失数据下带辅助协变量的可加危险率模型的回归分析问题。本文首先阐明了模型相关问题的研究背景与研究现状,进而利用基于估计方程的方法,通过强度过程建立了传统的偏似然函数。然后通过辅助协变量引入引致强度思想,把偏似然函数转化为引致偏似然函数,最后将引致偏似然函数进一步转变为可估偏似然函数,从而有效利用了可加危险率模型中的辅助协变量信息。由于Ⅱ型区间删失数据比Ⅰ型区间删失数据复杂得多,通过对两次观测时间的顺序限制把Ⅱ型区间删失最终转化为Ⅰ型区间删失,从而最终解决了Ⅱ型区间删失数据下带辅助协变量的可加危险率模型的参数估计问题。并在此方法基础上通过分阶段估计参数的处理,提高了估计结果的有效性。对于两种估计方法得到的估计量,本文均在适当的正则条件下证明了估计结果的大样本性质。本文还对Ⅱ型多元区间删失情形、Ⅱ型信息区间删失情形、连续辅助协变量情形以及个体协变量部分缺失情形下的参数估计问题进行了简要探讨以期扩大两种方法的应用性。最后通过数值模拟与实例分析的方式表明了本文提出的两种方法所具有的应用价值。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
危险率模型论文参考文献
[1].邓韬.带区间删失的相依协变量比例危险率模型的经验似然推断[D].湖南师范大学.2019
[2].冯洁.Ⅱ型区间删失数据下带辅助协变量的可加危险率模型回归分析[D].浙江财经大学.2017
[3].刘志坚.高维数据下半参数可加危险率模型中基于ISIS的变量选择方法及其应用[D].重庆医科大学.2017
[4].杨琳.生存数据下可加可乘危险率模型的估计[D].首都经济贸易大学.2017
[5].陈菲菲,孙志华,叶雪.失效信息随机缺失时可加危险率模型的统计推断[J].中国科学院大学学报.2016
[6].李兰平.一类有界误差损失函数下比例危险率模型参数的Bayes估计[J].统计与决策.2014
[7].杨青龙,郭丽莎,刘妍岩.多元失效时间数据的一般边际半参数危险率模型研究[J].数学物理学报.2014
[8].赵洁.Cox比例危险率模型中的拟合优度检验[J].吉林广播电视大学学报.2014
[9].刘吉彩,张日权,刘焕彬.多类型复发事件间隔时间下可加危险率模型(英文)[J].应用概率统计.2013
[10].柏慧.非线性Cox比例危险率模型的统计分析[D].扬州大学.2013