导读:本文包含了可加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:可加危险率模型,区间删失,辅助协变量,估计方程
可加危险率模型论文文献综述
冯洁[1]（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[2]（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[3]（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[4]（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）
刘吉彩,张日权,刘焕彬[5]（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）
叶英[6]（2010）在《基于复发事件间隔时间下的可加可乘危险率模型》一文中研究指出复发事件数据常常出现在生物学、医学、经济学、社会学等领域。由于复发事件数据结构复杂,对它的统计分析已经受到学者们广泛重视,其相应研究结果不仅丰富了生存分析,医学与生物统计的研究内容,而且为各交叉学科研究提供理论依据和实际指导。自二十世纪八十年代开始,对复发事件数据的分析研究已经取得了丰富的成果。对复发事件数据的研究主要集中在对复发时间和间隔时间的分析。对复发事数据分析的模型包含两个方面：一方面,基于强度过程,对强度函数和危险率函数进行建模。另一方面,对复发事件数据而言,由于复发事件的均值函数比强度函数更具有解释意义,因此学者们对均值函数或比率函数进行了建模。本文在复发事件间隔时间数据下,首先回顾了可乘危险率模型和可加危险率模型,利用估计方程的思想得到参数和基准危险率函数的估计,以及所得估计的渐近性质。接着讨论了可加可乘危险率模型,对于此危险率模型中参数和基准危险率函数,同样采用估计方程的思想将其估计出来,然后证明了估计量的大样本性质。(本文来源于《上海师范大学》期刊2010-03-01）
可加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：
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。
（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。
可加危险率模型论文参考文献
[1].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
[2].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
[3].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
[4].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
[5].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
[6].叶英.基于复发事件间隔时间下的可加可乘危险率模型[D].上海师范大学.2010