Bayesian Analysis of Failure Time Data Using P-Splines

ماتیاس کادینگ روش‌های بیزی را برای تجزیه و تحلیل زمان‌های شکست گسسته و پیوسته مورد بحث قرار می‌دهد که در آن اثر زمان و/یا متغیرهای کمکی از طریق P-splines و بسط‌های تابع پایه اضافی مدل‌سازی می‌شوند و امکان جایگزینی اثرات خطی با توابع عمومی‌تر را فراهم می‌کنند. روش MCMC برای این مدل ها در یک چارچوب یکپارچه ارائه شده و بر روی مجموعه داده ها اعمال می شود. از جمله، الگوریتم‌های موجود برای کاکس گروه‌بندی‌شده و مدل نمایی تکه‌ای تحت سانسور بازه‌ای با یک مرحله افزایش داده برای برنامه‌ها ترکیب می‌شوند. نویسنده نشان می‌دهد که نمونه‌بردار گیبس به‌خوبی برای کاکس گروه‌بندی‌شده کار می‌کند و صرفاً برای مدل نمایی تکه‌ای کافی است.

Matthias Kaeding discusses Bayesian methods for analyzing discrete and continuous failure times where the effect of time and/or covariates is modeled via P-splines and additional basic function expansions, allowing the replacement of linear effects by more general functions. The MCMC methodology for these models is presented in a unified framework and applied on data sets. Among others, existing algorithms for the grouped Cox and the piecewise exponential model under interval censoring are combined with a data augmentation step for the applications. The author shows that the resulting Gibbs sampler works well for the grouped Cox and is merely adequate for the piecewise exponential model.