有母數擴充風險與長期追蹤資料之聯合模型

以作者查詢圖書館館藏

、以作者查詢臺灣博碩士

、以作者查詢全國書目

、勘誤回報

、線上人數：30

、訪客IP：3.149.238.239

姓名

吳明駿(Ming-chun Wu) 查詢紙本館藏

畢業系所

統計研究所

論文名稱

有母數擴充風險與長期追蹤資料之聯合模型
(Joint model of parametric extended hazard and longitudinal data)

相關論文

★ 長期與存活資料之聯合模型-新方法和數值方法的改進	★ 復發事件存活分析的共享廣義伽瑪脆弱因子之半母數聯合模型
★ 加乘法風險模型結合長期追蹤資料之聯合模型	★ 有序雙重事件時間分析使用與時間相關的共變數－邊際方法的比較
★ 存活與長期追蹤資料之聯合模型－台灣愛滋病實例研究	★ 以聯合模型探討地中海果蠅繁殖力與老化之關係
★ 聯合模型在雞尾酒療法療效評估之應用—利用CD4/CD8比值探討台灣愛滋病資料	★ 時間相依共變數之雙重存活時間分析—台灣愛滋病病患存活時間與 CD4 / CD8 比值關係之案例研究
★ Cox比例風險模型之參數估計─比較部分概似法與聯合模型	★ 復發事件存活時間分析-丙型干擾素對慢性肉芽病患復發療效之案例研究
★ Cox 比例風險假設之探討與擴充風險模型之應用	★ 以聯合模型探討原發性膽汁性肝硬化
★ 聯合長期追蹤與存活資料分析－肝硬化病患之實例研究	★ 復發事件存活時間分析-rhDNase對囊狀纖維化病患復發療效之案例研究
★ 聯合長期追蹤與存活資料分析-原發性膽汁性肝硬化病患之實例研究	★ 復發事件存活時間分析-Thiotepa對膀胱癌病患復發療效之案例研究

檔案

[Endnote RIS 格式]

[Bibtex 格式]

[相關文章]

[文章引用]

[完整記錄]

[館藏目錄]

[檢視]

[下載]

本電子論文使用權限為同意立即開放。
已達開放權限電子全文僅授權使用者為學術研究之目的，進行個人非營利性質之檢索、閱讀、列印。
請遵守中華民國著作權法之相關規定，切勿任意重製、散佈、改作、轉貼、播送，以免觸法。

摘要(中)

本篇論文中主要是利用最大概似法對長期追蹤資料和事件時間建立聯合模型來處理與時間相依的共變數，其模型中包含了生物指標的長期追蹤模型以及事件時間的疾病風險模型。在長期追蹤資料的部分使用的是線性混合效應模型。在存活資訊的部分，由於有母數的方法對於數值之集中趨勢、分散性及分佈所提供的資訊有較好的解釋能力，因此在此考慮使用有母數聯合模型來進行資料的分析，並且考慮存活模型為較具彈性的擴充風險模型，擴充風險模型包含AFT模型及Cox模型為此二模型之廣義模型。在Cox模型中，只有最近一次的共變數會影響實驗對象的風險，而AFT模型則是考慮到整個共變數歷史對於風險的影響。因此，在擴充風險模型中，共變數透過風險因子以及基準風險函數分別包含了瞬間的影響以及累積的影響，所以此擴充風險模型也會有助於描述存活分析中複雜的生物議題，而在本篇論文中將會分別給定Weibull分配及Log-logistic分配之基準風險函數來進行聯合模型對於時間相依共變數的模擬分析以及對地中海果蠅資料進行實例分析，並且使用EM演算法、Newton-Raphson法及蒙地卡羅法等數值方法來進行參數的估計。

摘要(英)

In this paper, we used the maximum likelihood approach to jointly model the longitudinal and event time processes. This involves selecting a longitudinal model for the biomarkers and a disease risk model for the event time data. For the longitudinal component, we use linear mixed effects model. For survival component, we use parametric hazard model because parametric hazard model provides better interpretation for concentrate trend, dispersion and distribution. And we consider the survival model is the more flexible model, extended hazard model, contains Cox model and AFT model. In the Cox model, only the covariate at the most recent time has an impact on the subject’s specific risk while the accelerated failure time model allows the entire covariate history to influence the risk. In the extended hazard model, the covariates have both instantaneous impact and cumulative impact on the risk through the risk factor and the baseline hazard, respectively. Therefore, we will let baseline hazard function is Weibull distribution or Log-logistic distribution to simulate data and analyze the Mediterranean fruit fly data and estimate parameter by EM algorithm, Newton-Raphson and Monte Carlo method.

關鍵字(中)

★ 擴充風險模型
★ 長期追蹤資料
★ 存活模型

關鍵字(英)

論文目次

目錄

摘要　i
Abstract　ii
致謝辭　iii
目錄　iv
表目次　v
第一章序論　01
第二章統計方法　05
2.1 聯合模型　05
2.1.1 符號與模型之介紹　05
2.1.2 概似函數　07
2.2 EM演算法　09
2.2.1 E-step　09
2.2.2 M-step　10
2.3 數值方法　12
2.3.1 蒙地卡羅法　12
2.3.2 牛頓法　13
第三章模擬研究 14
3.1 模擬方法　14
3.2 模擬資料設定　17
3.3 模擬結果　17
第四章實例分析　23
第五章結論與討論　27
參考文獻　28
附錄　30

表目次

表1 基準風險為Weibull分配及設限比例20%下的參數估計　19
表2 基準風險為Weibull分配及設限比例40%下的參數估計　20
表3 基準風險為Log-logistic分配及設限比例20%下的參數估計　21
表4 基準風險為Log-logistic分配及設限比例40%下的參數估計　22
表5 基準風險為Weibull分配下的參數估計　24
表6 基準風險為Log-logistic分配下的參數估計　25
表7 Weiull分配及Log-logistic分配下之聯合模型的-2log(likelihood)值　26

參考文獻

Brown, E. R., Ibrahim, J. G. & Degruttola, V. (2005). A Flexible B-spline Model for Multiple Longitudinal Biomarkers and Survival. Biometrics, 61, 64-73.

Bycott, P. W. & Taylor, J. M. G. (1998). An Evaluation of a Measure of the Proportion of the Treatment Effect Explained by a Surrogate Marker. Control Clin. Trials, 19, 555-68.

Ding, J. & Wang, J. L. (2008). Modeling Longitudinal Data with Nonparametric Multiplicative Random Effects Jointly with Survival Data. Biometrics, 64, 546-56.

Fitzmaurice, G., Davidian, M., Verbeke, G. & Molenberghs, G. (2008). Longitudinal Data Analysis: Handbooks of Modern Statistical Methods Chapman&Hall/CRC.

Henderson, R., Diggle P., & Dobson, A. (2000). Joint Modelling of Longitudinal Measurements and Event Time Data. Biostatistics, 4, 465-80.

Hsieh, F., Tseng, Y. K. & Wang, J. L. (2006). Joint Modeling of Survival Time and Longitudinal Data: Likelihood Approach Revisit. Biometrics, 62, 1037-43.

Pawitan, Y. and Self, S. (1993) Modeling Disease Marker Processes in AIDS. J. Am. Statist. Ass., 88, 719-26.

Rizopoulos, D. Verbeke, G. & Molenberghs, G. (2008). Shared Parameter Models under Random Effects Misspecification. Biometrika, 58, 742-53.

Song, X., Davidian, M. & Tsiatis, A. A. (2002). A Semiparametric Likelihood Approach to Joint Modelling of Longitudinal and Time-to-event Data. Biometrics, 58, 742-53.

Tseng, Y. K., Hsieh F. & Wang, J. L. (2005). Joint modeling of accelerated failure time and longitudinal data. Biometrika, 92, 587-603.

Tsiatis, A. A. & Davidian, M. (2001). A Semiparametric Estimator for the Proportional Hazards Model with Longitudinal Covariates Measured with Error. Biometrika, 88, 447-58.

Tsiatis, A. A. & Davidian, M. (2004). Joint Modelling of Longitudinal and Time-to-event Data: An Overview. Statist. Sin., 14, 809-34.

Tsiatis, A. A., Degruttola, V. & Wulfsohn, M. S. (1995). Modelling the Relationship of Survival to Longitudinal Data Measured with Error. Applications to Survival and CD4 Counts in Patients with AIDS. J. Am. Statist. Ass., 90, 27-37.

Verbeke, G. & Davidian, M. (2008). Joint Models for Longitudinal Data: Introduction and Overview. Longitudinal data analysis: handbooks of modern statistical methods Ed. Fitzmaurice, G., Davidian, M., Verbeke, G. and Molenberghs, G., 319-26. Chapman&Hall/CRC.

Wang, Y. & Taylor, J. M. G. (2001). Jointly Modeling Longitudinal and Event Time Data with Application to Acquired Immunodeficiency Syndrome. J. Am. Statist. Ass., 96, 895-905.

Wei, G. C. G. & Tanner, M. A. (1990). A Monte Carlo Implementation of the EM Algorithm and the Poor Man’s Data Augmentation Algorithms. J. Am. Statist. Ass., 85, 699-704.

Wulfsohn, M. S. & Tsiatis, A. A. (1997). A Joint Model for Survival and Longitudinal Data Measured with Error. Biometrics, 53, 330-339.

指導教授

曾議寬(Yi-Kuan Tseng)

審核日期

2014-7-24

推文