Analisis survival: kontinu vs waktu diskrit


20

Saya bingung tentang bagaimana memutuskan apakah memperlakukan waktu sebagai hal yang berkelanjutan atau terpisah dalam analisis kelangsungan hidup. Secara khusus, saya ingin menggunakan analisis survival untuk mengidentifikasi variabel tingkat anak dan rumah tangga yang memiliki perbedaan terbesar dalam dampaknya terhadap kelangsungan hidup anak laki-laki dan perempuan (hingga usia 5). Saya memiliki dataset usia anak (dalam bulan) bersama dengan indikator untuk apakah anak itu masih hidup, usia saat kematian (dalam bulan), dan variabel tingkat anak dan rumah tangga lainnya.

Karena waktu dicatat dalam bulan dan semua anak di bawah usia 5, ada banyak waktu kelangsungan hidup terikat (sering pada interval setengah tahun: 0mos, 6mos, 12mos, dll). Berdasarkan apa yang saya baca tentang analisis survival, memiliki banyak waktu untuk bertahan hidup yang mengikat membuat saya berpikir saya harus memperlakukan waktu sebagai diskrit. Namun, saya telah membaca beberapa penelitian lain di mana waktu bertahan hidup, misalnya, orang-tahun (dan tentunya ada waktu kelangsungan hidup terikat) dan metode waktu terus menerus seperti bahaya proporsional Cox digunakan.

Apa kriteria yang harus saya gunakan untuk memutuskan apakah akan memperlakukan waktu secara terus-menerus atau terpisah? Untuk data dan pertanyaan saya, menggunakan beberapa model waktu kontinu (Cox, Weibull, dll) masuk akal bagi saya, tetapi sifat diskrit dari data saya dan jumlah waktu kelangsungan hidup yang diikat tampaknya menyarankan sebaliknya.

Jawaban:


10

Pilihan model bertahan hidup harus dipandu oleh fenomena yang mendasarinya. Dalam hal ini tampaknya kontinu, bahkan jika data dikumpulkan dengan cara yang agak terpisah. Resolusi satu bulan akan baik-baik saja selama periode 5 tahun. Namun, jumlah besar ikatan pada 6 dan 12 bulan membuat orang bertanya-tanya apakah Anda benar-benar memiliki presisi 1 bulan (ikatan pada 0 diharapkan - itulah nilai khusus di mana relatif banyak kematian sebenarnya terjadi). Saya tidak yakin apa yang dapat Anda lakukan tentang hal itu karena ini kemungkinan besar mencerminkan pembulatan setelah fakta daripada penyensoran interval.


2
Sebagai pedoman umum, jika data diskrit dapat dibagi menjadi sepuluh bagian atau lebih, dapat diperlakukan sebagai kontinu, bahkan jika itu benar-benar diskrit (pengambilan sampel sebulan sekali selama enam bulan sangat berbeda dengan pengambilan sampel mingguan selama enam bulan atau sebulan sekali selama dua tahun). Artikel berikut ini juga memberikan beberapa wawasan tambahan dalam memperlakukan data diskrit sebagai berkelanjutan: theanalysisfactor.com/count-data-considered-continuous
Tavrock

4

Saya menduga jika Anda menggunakan model waktu kontinu Anda akan ingin menggunakan sensor interval, mencerminkan fakta bahwa Anda tidak tahu waktu pasti kegagalan, hanya interval di mana kegagalan terjadi. Jika Anda cocok dengan model regresi parametrik dengan sensor interval menggunakan likelihhod maksimum, waktu survival yang diikat bukan merupakan masalah IIRC.


4

Akan ada waktu untuk bertahan hidup yang terikat dalam sebagian besar analisis, tetapi ikatan yang besar dan jelas pada acara-acara tertentu mengganggu. Saya akan berpikir panjang dan keras tentang studi itu sendiri, bagaimana mengumpulkan data, dll.

Karena, di luar beberapa kebutuhan metodologis untuk menggunakan satu jenis waktu atau yang lain, bagaimana Anda memodelkan kelangsungan hidup harus bergantung pada apakah proses yang mendasarinya terpisah atau berkelanjutan di dunia.


1

Jika Anda memiliki kovariat yang bervariasi dari waktu ke waktu untuk beberapa individu (misalnya pendapatan keluarga dapat bervariasi dalam contoh Anda selama masa hidup anak), model bertahan hidup (parametrik dan model cox) mengharuskan Anda untuk mengiris data menjadi interval diskrit yang ditentukan oleh berbagai kovariat.

Saya menemukan ini pdf catatan kuliah oleh German Rodriguez bermanfaat.

Dengan menggunakan situs kami, Anda mengakui telah membaca dan memahami Kebijakan Cookie dan Kebijakan Privasi kami.
Licensed under cc by-sa 3.0 with attribution required.