Analysis for Time-to-Event Data under Censoring and Truncation

تجزیه و تحلیل بقا برای داده های کوتاه شده دو متغیره مروری جامع در مورد آثار موجود در مورد تجزیه و تحلیل بقا برای داده های کوتاه شده به خوانندگان ارائه می دهد که عمدتاً بر تخمین تابع بقای تک متغیره و دو متغیره تمرکز دارد. متمایزترین ویژگی داده های بقا به عنوان سانسور شناخته می شود، که زمانی اتفاق می افتد که زمان بقا را فقط می توان دقیقاً در بازه های زمانی مشخص مشاهده کرد. ویژگی دوم کوتاه کردن است که اغلب عمدی و معمولاً به دلیل سوگیری انتخاب در طراحی مطالعه است.

Truncation خود را به طرق مختلف نشان می دهد. به عنوان مثال، کوتاهی سمت چپ، که اغلب به دلیل به اصطلاح سوگیری ورود دیرهنگام است، زمانی رخ می دهد که افراد در سن خاصی وارد مطالعه می شوند و از این زمان ورود تاخیری دنبال می شوند. کوتاه کردن سمت راست زمانی به وجود می‌آید که تنها افرادی که رویداد مورد علاقه را قبل از یک زمان مشخص تجربه کرده‌اند قابل مشاهده باشند. تجزیه و تحلیل داده‌های کوتاه‌شده بقا بدون در نظر گرفتن سوگیری انتخاب بالقوه ممکن است منجر به تخمین‌های مغرضانه جدی از زمان رویداد مورد علاقه و تأثیر عوامل خطر شود.

• به آماردانان، اپیدمیولوژیست‌ها، محققان پزشکی و آکچوئرها کمک می‌کند. کسانی که باید مکانیسم سوگیری انتخاب را درک کنند
• کارهای موجود در مورد تجزیه و تحلیل بقا برای داده های کوتاه شده را بررسی می کند، که عمدتاً بر تخمین تابع بقای تک متغیره و دو متغیره تمرکز دارد
• راهنمای برای تجزیه و تحلیل کوتاه شده ارائه می دهد. داده های بقا

Survival Analysis for Bivariate Truncated Data provides readers with a comprehensive review on the existing works on survival analysis for truncated data, mainly focusing on the estimation of univariate and bivariate survival function. The most distinguishing feature of survival data is known as censoring, which occurs when the survival time can only be exactly observed within certain time intervals. A second feature is truncation, which is often deliberate and usually due to selection bias in the study design.

Truncation presents itself in different ways. For example, left truncation, which is often due to a so-called late entry bias, occurs when individuals enter a study at a certain age and are followed from this delayed entry time. Right truncation arises when only individuals who experienced the event of interest before a certain time point can be observed. Analyzing truncated survival data without considering the potential selection bias may lead to seriously biased estimates of the time to event of interest and the impact of risk factors.

• Assists statisticians, epidemiologists, medical researchers, and actuaries who need to understand the mechanism of selection bias
• Reviews existing works on survival analysis for truncated data, mainly focusing on the estimation of univariate and bivariate survival function
• Offers a guideline for analyzing truncated survival data