Generalized Gamma Frailty and Symmetric Normal Random Effects Model for Repeated Time-to-Event Data
Notice bibliographique
Résumé
Clustered time-to-event data are quite common in survival analysis and finding a suitable model to account for dispersion as well as censoring is an important issue. In this article, we present a flexible model for repeated, overdispersed time-to-event data with right-censoring. We present here a general model by incorporating generalized gamma and normal random effects in a Weibull distribution to accommodate overdispersion and data hierarchies, respectively. The normal random effect has the property of being symmetrical, which means its probability density function is symmetric around its mean. While the random effects are symmetrically distributed, the resulting frailty model is asymmetric in its survival function because the random effects enter the model multiplicatively via the hazard function, and the exponentiation of a symmetric normal variable leads to lognormal distribution, which is right-skewed. Due to the intractable integrals involved in the likelihood function and its derivatives, the Monte Carlo approach is used to approximate the involved integrals. The maximum likelihood estimates of the parameters in the model are then numerically determined. An extensive simulation study is then conducted to evaluate the performance of the proposed model and the method of inference developed here. Finally, the usefulness of the model is demonstrated by analyzing a data on recurrent asthma attacks in children and a recurrent bladder data set known in the survival analysis literature.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,013 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».