ప్రధాన ఇతర పోటీ విశ్లేషణ పోటీ

పోటీ విశ్లేషణ పోటీ

అవలోకనం

సాఫ్ట్‌వేర్

వివరణ

వెబ్‌సైట్లు

రీడింగ్స్

కోర్సులు

అవలోకనం

పోటీ విశ్లేషణ పోటీ అనేది ఒక ప్రత్యేక రకం మనుగడ విశ్లేషణను సూచిస్తుంది, ఇది పోటీ సంఘటనల సమక్షంలో ఒక సంఘటన యొక్క ఉపాంత సంభావ్యతను సరిగ్గా అంచనా వేయడం. మనుగడ ప్రక్రియను వివరించడానికి సాంప్రదాయ పద్ధతులు, కప్లాన్ మీర్ ఉత్పత్తి-పరిమితి పద్ధతి, ఒకే సంఘటనకు బహుళ కారణాల యొక్క పోటీ స్వభావానికి అనుగుణంగా రూపొందించబడలేదు, అందువల్ల అవి కారణం-నిర్దిష్ట సంఘటనల యొక్క ఉపాంత సంభావ్యతను విశ్లేషించేటప్పుడు సరికాని అంచనాలను ఉత్పత్తి చేస్తాయి. పని-చుట్టూ, సంచిత సంఘటనల ఫంక్షన్ (CIF) ఒక నిర్దిష్ట సంఘటన యొక్క ఉపాంత సంభావ్యతను దాని కారణ-నిర్దిష్ట సంభావ్యత మరియు మొత్తం మనుగడ సంభావ్యత యొక్క విధిగా అంచనా వేయడం ద్వారా ఈ ప్రత్యేక సమస్యను పరిష్కరించడానికి ప్రతిపాదించబడింది. ఈ పద్ధతి ఉత్పత్తి-పరిమితి విధానం మరియు పోటీ కారణ మార్గాల ఆలోచనను హైబ్రిడైజ్ చేస్తుంది, ఇది విషయాల సమూహానికి బహుళ పోటీ సంఘటనల మనుగడ అనుభవానికి మరింత అర్థమయ్యే అంచనాను అందిస్తుంది. అనేక విశ్లేషణల మాదిరిగానే, పోటీ ప్రమాద విశ్లేషణలో పారామితి రహిత పద్ధతిని కలిగి ఉంటుంది, ఇందులో సమూహాల మధ్య CIF వక్రతలను పోల్చడానికి సవరించిన చి-స్క్వేర్డ్ పరీక్షను ఉపయోగించడం మరియు సబ్ డిస్ట్రిబ్యూషన్ హజార్డ్ ఫంక్షన్ ఆధారంగా CIF ని మోడల్ చేసే పారామెట్రిక్ విధానం.

వివరణ

1. పోటీ ఈవెంట్ మరియు పోటీ ప్రమాదం ఏమిటి?

ప్రామాణిక మనుగడ డేటాలో, సబ్జెక్టులు రొమ్ము క్యాన్సర్ నుండి మరణం వంటి ఫాలో-అప్‌లో ఒకే రకమైన సంఘటనను మాత్రమే అనుభవించాల్సి ఉంటుంది. దీనికి విరుద్ధంగా, నిజ జీవితంలో, సబ్జెక్టులు ఒక నిర్దిష్ట సంఘటన యొక్క ఒకటి కంటే ఎక్కువ రకాలను అనుభవించగలవు. ఉదాహరణకు, మరణాలు పరిశోధనా ఆసక్తిని కలిగి ఉంటే, మా పరిశీలనలు - ఆంకాలజీ విభాగంలో సీనియర్ రోగులు, గుండెపోటు లేదా రొమ్ము క్యాన్సర్ లేదా ట్రాఫిక్ ప్రమాదంతో మరణించవచ్చు. ఈ విభిన్న రకాల సంఘటనలలో ఒకటి మాత్రమే సంభవించినప్పుడు, మేము ఈ సంఘటనలను పోటీ సంఘటనలుగా సూచిస్తాము, ఒక కోణంలో అవి ఆసక్తికర సంఘటనను అందించడానికి ఒకదానితో ఒకటి పోటీపడతాయి మరియు ఒక రకమైన సంఘటన సంభవించకుండా నిరోధిస్తుంది ఇతరులు. తత్ఫలితంగా, ఈ పోటీల సంభావ్యతను పోటీ ప్రమాదాలుగా మేము పిలుస్తాము, ప్రతి పోటీ ఈవెంట్ యొక్క సంభావ్యత ఇతర పోటీ సంఘటనల ద్వారా ఏదో ఒకవిధంగా నియంత్రించబడుతుంది, ఇది బహుళ రకాల సంఘటనల ద్వారా నిర్ణయించబడిన మనుగడ ప్రక్రియను వివరించడానికి అనువైన వివరణను కలిగి ఉంది. .

పోటీ ఈవెంట్ దృష్టాంతాన్ని బాగా అర్థం చేసుకోవడానికి, ఈ క్రింది ఉదాహరణలను పరిశీలించండి:

1) రోగి రొమ్ము క్యాన్సర్ నుండి లేదా స్ట్రోక్ నుండి చనిపోవచ్చు, కాని అతను రెండింటి నుండి చనిపోలేడు;
3) ఒక సైనికుడు పోరాట సమయంలో లేదా ట్రాఫిక్ ప్రమాదంలో మరణించవచ్చు.

పై ఉదాహరణలలో, ఒక విషయం విఫలమయ్యే ఒకటి కంటే ఎక్కువ మార్గాలు ఉన్నాయి, కానీ వైఫల్యం, మరణం లేదా సంక్రమణ, ప్రతి సబ్జెక్టుకు ఒకసారి మాత్రమే సంభవిస్తుంది (పునరావృత సంఘటనను పరిగణనలోకి తీసుకోకుండా). అందువల్ల, విభిన్న మార్గాల వల్ల కలిగే వైఫల్యాలు పరస్పరం ప్రత్యేకమైనవి మరియు అందువల్ల పోటీ సంఘటనలు అంటారు. అటువంటి డేటా యొక్క విశ్లేషణకు ప్రత్యేక పరిశీలనలు అవసరం.

2. మేము కప్లాన్ మీర్ ఎస్టిమేటర్‌ను ఎందుకు ఉపయోగించకూడదు?

ప్రామాణిక మనుగడ విశ్లేషణలో వలె, పోటీ ఈవెంట్ డేటా కోసం విశ్లేషణాత్మక వస్తువు ఏమిటంటే, కాలక్రమేణా సాధ్యమయ్యే అనేక సంఘటనలలో ఒక సంఘటన యొక్క సంభావ్యతను అంచనా వేయడం, పోటీ సంఘటనల నుండి విషయాలను విఫలమయ్యేలా చేస్తుంది. పై ఉదాహరణలలో, మేము రొమ్ము క్యాన్సర్ మరణాల రేటును కాలక్రమేణా అంచనా వేయాలనుకుంటున్నాము మరియు రొమ్ము క్యాన్సర్ మరణాల రేటు రెండు లేదా అంతకంటే ఎక్కువ చికిత్స సమూహాల మధ్య, కోవేరియేట్ల సర్దుబాటుతో లేదా లేకుండా తేడా ఉందో లేదో తెలుసుకోవాలనుకుంటున్నాము. ప్రామాణిక మనుగడ విశ్లేషణలో, కాలక్రమేణా ఈవెంట్ సంభావ్యతను పొందడానికి కప్లాన్ మీర్ ఉత్పత్తి పరిమితి పద్ధతిని మరియు ఈ సంభావ్యతను అంచనా వేయడానికి కాక్స్ అనుపాత ప్రమాద నమూనాను ఉపయోగించడం ద్వారా ఈ ప్రశ్నలకు సమాధానం ఇవ్వవచ్చు. అదేవిధంగా, పోటీ ఈవెంట్ డేటాలో, ప్రతి రకమైన ఈవెంట్‌కు సంభావ్యతను విడిగా అంచనా వేయడానికి KM ఎస్టిమేటర్‌ను ఉపయోగించడం, ఇతర పోటీ ఈవెంట్‌లను సెన్సార్ చేసినట్లుగా కాకుండా నష్టం నుండి సెన్సార్ చేయబడినవారికి అదనంగా ఫాలో-అప్ లేదా ఉపసంహరణకు చికిత్స చేస్తుంది. ఈవెంట్ సంభావ్యతను అంచనా వేసే ఈ పద్ధతిని కారణ-నిర్దిష్ట ప్రమాద ఫంక్షన్ అంటారు, ఇది గణితశాస్త్రపరంగా ఇలా వ్యక్తీకరించబడుతుంది:

యాదృచ్ఛిక వేరియబుల్ Tc ఈవెంట్ రకం c నుండి వైఫల్యానికి సమయాన్ని సూచిస్తుంది, అందువల్ల కారణం-నిర్దిష్ట ప్రమాద ఫంక్షన్ hc (t) ఈవెంట్ రకం c నుండి t సమయంలో తక్షణ వైఫల్యం రేటును ఇస్తుంది, ఈవెంట్ t నుండి సమయం t ద్వారా విఫలం కాకుండా ఇవ్వబడుతుంది.

తదనుగుణంగా, కాక్స్ అనుపాత ప్రమాద నమూనా ఆధారంగా ఒక కారణం-నిర్దిష్ట ప్రమాద నమూనా ఉంది, దీని రూపం:

చందాదారుల బీటా గుణకం సూచించినట్లుగా, ఈవెంట్ రకం సి యొక్క ఈ అనుపాత ప్రమాద నమూనా కోవరేట్ల ప్రభావాలను ఈవెంట్ రకాలుగా విభిన్నంగా అనుమతిస్తుంది.

ఈ పద్ధతులను ఉపయోగించి, ప్రతి పోటీ ఈవెంట్లకు వైఫల్యం రేటును విడిగా అంచనా వేయవచ్చు. ఉదాహరణకు, మా రొమ్ము క్యాన్సర్ మరణాల ఉదాహరణలో, రొమ్ము క్యాన్సర్ నుండి మరణం ఆసక్తి కలిగించే సంఘటన అయినప్పుడు, గుండెపోటు మరియు ఇతర కారణాల వల్ల మరణం సాంప్రదాయిక సెన్సార్ పరిశీలనలతో పాటు సెన్సార్‌గా పరిగణించాలి. ఇది రొమ్ము క్యాన్సర్ మరణాల రేటుకు కారణ-నిర్దిష్ట ప్రమాదాన్ని అంచనా వేయడానికి మరియు రొమ్ము క్యాన్సర్ మరణాలపై కారణ-నిర్దిష్ట ప్రమాద నమూనాకు సరిపోయేలా చేస్తుంది. ఆసక్తి ఉన్నపుడు గుండెపోటు నుండి మరణానికి ఇదే విధానం వర్తిస్తుంది.

కారణం-నిర్దిష్ట విధానం యొక్క ప్రధాన మినహాయింపు ఏమిటంటే, వాస్తవానికి సెన్సార్ చేయబడని, పోటీ పోటీల నుండి విఫలమైన విషయాల కోసం స్వతంత్ర సెన్సార్లను ఇది ఇప్పటికీ umes హిస్తుంది, ప్రామాణిక సెన్సార్‌షిప్ వంటి ఫాలో అప్. ఈ true హ నిజమని అనుకుందాం, రొమ్ము క్యాన్సర్ నుండి కారణ-నిర్దిష్ట మరణ రేటుపై దృష్టి సారించేటప్పుడు, సెన్సార్ చేయబడిన ఏ విషయం అయినా రొమ్ము క్యాన్సర్ నుండి అదే మరణ రేటును కలిగి ఉంటుంది, సెన్సార్ చేయడానికి కారణం సివిడి లేదా మరణానికి ఇతర కారణమా అనే దానితో సంబంధం లేకుండా , లేదా అనుసరించడానికి నష్టం. ఈ umption హ పోటీ పోటీలు స్వతంత్రమని చెప్పడానికి సమానం, ఇది KM రకం విశ్లేషణ చెల్లుబాటు అయ్యే పునాది. ఏదేమైనా, ఏదైనా డేటాసెట్ కోసం ఈ సంతృప్తి సంతృప్తికరంగా ఉందో లేదో స్పష్టంగా పరీక్షించడానికి మార్గం లేదు. ఉదాహరణకు, గుండెపోటుతో మరణించిన ఒక వ్యక్తి గుండెపోటుతో మరణించకపోతే రొమ్ము క్యాన్సర్‌తో మరణించి ఉంటాడా అని మనం ఎప్పటికీ నిర్ణయించలేము, ఎందుకంటే గుండెపోటుతో మరణించిన సబ్జెక్టులకు క్యాన్సర్ నుండి మరణం సంభవించదు. అందువల్ల, కారణం-నిర్దిష్ట ప్రమాద ఫంక్షన్ నుండి అంచనాలు సమాచార వివరణను కలిగి లేవు, ఎందుకంటే ఇది స్వాతంత్ర్య సెన్సార్ on హపై ఎక్కువగా ఆధారపడుతుంది.

3. పరిష్కారం ఏమిటి?

తాజాగా, పోటీ ఈవెంట్ డేటాను విశ్లేషించడానికి అత్యంత ప్రాచుర్యం పొందిన ప్రత్యామ్నాయ విధానాన్ని 'సంచిత సంఘటనల ఫంక్షన్ (CIF) అని పిలుస్తారు, ఇది ప్రతి పోటీ ఈవెంట్‌కు ఉపాంత సంభావ్యతను అంచనా వేస్తుంది. మార్జినల్ ప్రాబబిలిటీ అనేది ఇతర పోటీ సంఘటనల నుండి సెన్సార్ చేయబడినా లేదా విఫలమైనా అనే దానితో సంబంధం లేకుండా, ఆసక్తి యొక్క సంఘటనను వాస్తవానికి అభివృద్ధి చేసిన సంభావ్యతగా నిర్వచించబడింది. సరళమైన సందర్భంలో, ఆసక్తి ఉన్న ఒకే ఒక సంఘటన ఉన్నప్పుడు, CIF (1-KM) అంచనాకు సమానంగా ఉండాలి. అయితే, పోటీ ఈవెంట్‌లు ఉన్నప్పుడు, ప్రతి పోటీ ఈవెంట్‌ల యొక్క ఉపాంత సంభావ్యతను CIF నుండి అంచనా వేయవచ్చు, ఇది మేము ఇంతకుముందు చర్చించినట్లుగా కారణం-నిర్దిష్ట ప్రమాదం నుండి తీసుకోబడింది. నిర్వచనం ప్రకారం, ఉపాంత సంభావ్యత పోటీ సంఘటనల యొక్క స్వాతంత్ర్యాన్ని does హించదు మరియు ఖర్చు-ప్రభావ విశ్లేషణలలో వైద్యుడికి ఇది చాలా సందర్భోచితమైనది, దీనిలో చికిత్స ప్రయోజనాన్ని అంచనా వేయడానికి ప్రమాద సంభావ్యత ఉపయోగించబడుతుంది.

3.1 సంచిత సంఘటనల ఫంక్షన్ (CIF)

CIF నిర్మాణం KM అంచనా వలె సూటిగా ముందుకు ఉంటుంది. ఇది రెండు అంచనాల ఉత్పత్తి:

1) ఈవెంట్-రకం ఆసక్తి కోసం ఆదేశించిన వైఫల్యం సమయం tf వద్ద ప్రమాదం యొక్క అంచనా,

ఇక్కడ mcf రిస్క్ సి కోసం సంఘటనల సంఖ్యను tf వద్ద సూచిస్తుంది మరియు nf అనేది ఆ సమయంలో విషయాల సంఖ్య.

2) మునుపటి సమయం (టిడి -1) మనుగడ యొక్క మొత్తం సంభావ్యత యొక్క అంచనా:

ఇక్కడ S (t) కారణం నిర్దిష్ట మనుగడ ఫంక్షన్ కంటే మొత్తం మనుగడ ఫంక్షన్‌ను సూచిస్తుంది. మేము మొత్తం మనుగడను పరిగణనలోకి తీసుకోవలసిన కారణం చాలా సులభం, ఇంకా ముఖ్యమైనది: టైమ్‌టిఎఫ్ వద్ద ఈవెంట్ రకం సి నుండి విఫలమవ్వడానికి ఒక విషయం అన్ని ఇతర పోటీ సంఘటనల నుండి బయటపడి ఉండాలి.

పోలీ సైన్స్‌లో మాస్టర్స్

ఈ రెండు అంచనాలతో, ఈవెంట్-రకం సి నుండి విఫలమయ్యే అంచనా సంభావ్య సంభావ్యతను మేము tf సమయంలో లెక్కించవచ్చు:

సమీకరణం స్వీయ-వివరణాత్మకమైనది: ఈవెంట్ టైప్ సి నుండి టిఎఫ్ వద్ద విఫలమయ్యే సంభావ్యత కేవలం మునుపటి కాల వ్యవధిలో మనుగడ సాగించే ఉత్పత్తి మరియు టిఎఫ్ సమయంలో నిర్దిష్ట ప్రమాదానికి కారణం.

టైమ్ రకం వద్ద ఈవెంట్ రకం సి కోసం సిఐఎఫ్ అప్పుడు అన్ని ఈవెంట్ రకం సి వైఫల్య సమయాలలో ఈ సంఘటనల సంభావ్యత యొక్క సమయం టిఎఫ్ (అనగా, ఎఫ్ ’= 1 నుండి ఎఫ్’ = ఎఫ్ వరకు) యొక్క సంచిత మొత్తం, ఇది ఇలా వ్యక్తీకరించబడుతుంది:

మేము ఇంతకు ముందు చెప్పినట్లుగా, పోటీ ఈవెంట్ లేనప్పుడు CIF 1-KM అంచనాకు సమానం. పోటీ ఈవెంట్ ఉన్నప్పుడు, CIF 1-KM ఎస్టిమేటర్ నుండి భిన్నంగా ఉంటుంది, ఇది మొత్తం మనుగడ ఫంక్షన్ S (t) ను ఉపయోగిస్తుంది, ఇది ఆసక్తి ఉన్న సంఘటనతో పాటు పోటీ ఈవెంట్ల నుండి వైఫల్యాలను లెక్కిస్తుంది, అయితే 1-KM అంచనా వేసేవారు ఈవెంట్-రకాన్ని ఉపయోగిస్తారు నిర్దిష్ట మనుగడ ఫంక్షన్ Sc (t), ఇది పోటీ సంఘటనల నుండి వైఫల్యాలను సెన్సార్‌గా పరిగణిస్తుంది.

మొత్తం మనుగడ ఫంక్షన్‌ను ఉపయోగించడం ద్వారా, పోటీ ఈవెంట్‌లపై సెన్సార్ యొక్క స్వాతంత్ర్యం గురించి ధృవీకరించలేని ump హలను చేయవలసిన అవసరాన్ని CIF దాటవేస్తుంది. పోటీ ఈవెంట్ డేటాలో, S (t) ఎల్లప్పుడూ Sc (t) కంటే తక్కువగా ఉంటుంది కాబట్టి, CIF ఎల్లప్పుడూ 1-KM అంచనాల కంటే చిన్నదిగా ఉంటుంది, అంటే 1-KM ఈవెంట్ రకం ఆసక్తి నుండి వైఫల్యం యొక్క సంభావ్యతను ఎక్కువగా అంచనా వేస్తుంది. . మరొక ప్రయోజనం ఏమిటంటే, నిర్వచనం ప్రకారం, ప్రతి పోటీ ఈవెంట్ యొక్క CIF S (t) యొక్క ఒక భాగం, కాబట్టి అన్ని పోటీ ఈవెంట్లకు ప్రతి వ్యక్తి ప్రమాదం మొత్తం మొత్తం ప్రమాదానికి సమానంగా ఉండాలి. CIF యొక్క ఈ ఆస్తి మొత్తం ప్రమాదాన్ని విడదీయడానికి వీలు కల్పిస్తుంది, దీనికి మరింత ఆచరణాత్మక వివరణలు ఉన్నాయి.

3.2 పారామితి రహిత విశ్లేషణ

గ్రే (1988) రెండు లేదా అంతకంటే ఎక్కువ CIF లను పోల్చడానికి పారామితి రహిత పరీక్షను ప్రతిపాదించింది. మార్పు చేసిన చి-స్క్వేర్డ్ పరీక్ష గణాంకాలను ఉపయోగించి, KM వక్రతలను పోల్చిన లాగ్-ర్యాంక్ పరీక్షకు పరీక్ష సారూప్యంగా ఉంటుంది. ఈ పరీక్షకు స్వతంత్ర సెన్సార్ .హ అవసరం లేదు. ఈ పరీక్ష గణాంకాలు ఎలా నిర్మించబడుతున్నాయో వివరాల కోసం అసలు కథనాన్ని చదవండి.

3.3 పారామెట్రిక్ విశ్లేషణ

ఫైన్ అండ్ గ్రే (1999) CIF వక్రతను సబ్ డిస్ట్రిబ్యూషన్ ఫంక్షన్‌గా పరిగణించడం ద్వారా CIF ను కోవేరియేట్‌లతో మోడలింగ్ చేయడాన్ని అనుపాత ప్రమాదకర నమూనా ప్రతిపాదించింది. సబ్ డిస్ట్రిబ్యూషన్ ఫంక్షన్ కాక్స్ అనుపాత ప్రమాద నమూనాకు సమానంగా ఉంటుంది, ఇది CIF నుండి తీసుకోబడిన ప్రమాద ఫంక్షన్‌ను (సబ్ డిస్ట్రిబ్యూషన్ హజార్డ్ అని పిలుస్తారు) మోడల్ చేస్తుంది తప్ప. ఈవెంట్ రకం సి కోసం ఫైన్ అండ్ గ్రే సబ్ డిస్ట్రిబ్యూషన్ హజార్డ్ ఫంక్షన్ ఇలా వ్యక్తీకరించబడుతుంది:

పైన పేర్కొన్న ఫంక్షన్ ఈవెంట్ రకం సి కోసం ప్రమాద సమయంలో రేటును అంచనా వేస్తుంది, ఇది గతంలో జరిగిన అన్ని ఈవెంట్ రకాలను లెక్కించిన తర్వాత సమయం వద్ద మిగిలి ఉన్న రిస్క్ సెట్ ఆధారంగా, పోటీ ఈవెంట్లను కలిగి ఉంటుంది.

CIF ఆధారిత అనుపాత ప్రమాద నమూనా అప్పుడు నిర్వచించబడింది:

ఈ మోడల్ ఉప-జనాభా ప్రమాదం మోడల్‌కు అనులోమానుపాత ప్రమాద umption హను సంతృప్తిపరిచింది, అనగా సాధారణ ప్రమాద నిష్పత్తి సూత్రం తప్పనిసరిగా కాక్స్ మోడల్‌తో సమానంగా ఉంటుంది, కాక్స్ మోడల్‌లోని బీటాస్‌ను ఫైన్ మరియు గామాస్‌తో భర్తీ చేసే చిన్న సౌందర్య వ్యత్యాసం తప్ప గ్రే యొక్క మోడల్. పర్యవసానంగా, కాక్స్ మోడల్ నుండి అంచనా వేసిన బీటాస్ కోసం మేము గామాస్‌ను అదే విధంగా అర్థం చేసుకోవాలి, పోటీ సంఘటనల సమక్షంలో కొన్ని కోవేరియేట్ల ప్రభావాన్ని ఇది అంచనా వేస్తుంది తప్ప. ఫైన్ అండ్ గ్రే మోడల్‌ను సమయం-ఆధారిత కోవేరియేట్‌లను అనుమతించడానికి కూడా విస్తరించవచ్చు.

ఈ రోజు, పారామెట్రిక్ కాని లేదా పారామెట్రిక్ పద్ధతిని ఉపయోగించి పోటీ డేటా యొక్క విశ్లేషణ R, STATA మరియు SAS తో సహా ప్రధాన గణాంక ప్యాకేజీలలో అందుబాటులో ఉంది.

రీడింగ్స్

పాఠ్యపుస్తకాలు & అధ్యాయాలు

ది స్టాటిస్టికల్ అనాలిసిస్ ఆఫ్ ఫెయిల్యూర్ టైమ్ డేటా (హోబోకెన్, ఎన్.జె.: జె. విలే, 2002), పేజీలు 247-77 లో జె. డి. కల్బ్ఫ్లీష్, మరియు రాస్ ఎల్.
CIF ఆలోచన మొదట ఈ పుస్తకంలో ప్రతిపాదించబడింది. కప్లాన్ మీర్ పద్ధతిని ఉపయోగించి పోటీ డేటాను ఎందుకు విశ్లేషించలేరనే దానిపై మీకు నమ్మకమైన హేతువు లభిస్తుంది.

డేవిడ్ జి. క్లీన్‌బామ్, మరియు మిచెల్ క్లీన్, ‘కాంపిటీటింగ్ రిస్క్స్ సర్వైవల్ అనాలిసిస్’, ఇన్ సర్వైవల్ అనాలిసిస్: ఎ సెల్ఫ్ లెర్నింగ్ టెక్స్ట్ (న్యూయార్క్: స్ప్రింగర్, 2012), పేజీలు 425-95.
ఈ మొత్తం పేజీ క్లీన్బామ్ & క్లీన్ రాసిన ఈ అద్భుతమైన అధ్యాయం నుండి భారీగా అరువు తెచ్చుకుంది, నేను దీన్ని బాగా సిఫార్సు చేస్తున్నాను! పి.ఎస్. సాధారణంగా క్లీన్‌బామ్ రాసిన అన్ని గణాంక పాఠ్యపుస్తకాలను నేను బాగా సిఫార్సు చేస్తున్నాను.

బాబ్ గ్రే (2013). cmprsk: పోటీ ప్రమాదాల యొక్క సబ్ డిస్ట్రిబ్యూషన్ విశ్లేషణ. R ప్యాకేజీ వెర్షన్ 2.2-6. http://CRAN.R-project.org/package=cmprsk
ఇది R ప్యాకేజీ cmprsk యూజర్ మాన్యువల్, ఇది ఆ విధులను ఎలా అమలు చేయాలనే దానిపై మానవుడికి స్నేహపూర్వక మార్గదర్శకత్వాన్ని అందిస్తుంది.

stcrreg - పోటీ-ప్రమాదాల రిగ్రెషన్, స్టేటాకార్ప్. 2013. స్టేటా 13 బేస్ రిఫరెన్స్ మాన్యువల్. కాలేజ్ స్టేషన్, టిఎక్స్: స్టేటా ప్రెస్.
ఇది STATA యూజర్ మాన్యువల్, దీని గురించి నాకు చాలా తక్కువ తెలుసు, కానీ నైపుణ్యం కలిగిన STATA వినియోగదారులకు సమాచారం ఉన్నట్లు అనిపిస్తుంది.

పోటీ-ప్రమాదాల డేటా కోసం అనుపాత సబ్ డిస్ట్రిబ్యూషన్ హజార్డ్స్ మోడల్, SAS ఇన్స్టిట్యూట్ ఇంక్. 2013. SAS / STAT® 13.1 యూజర్ గైడ్: pp5991-5995. కారీ, NC: SAS ఇన్స్టిట్యూట్ ఇంక్.
SAS లో PROC PHREG ని ఉపయోగించి పోటీ ప్రమాదాన్ని ఎలా విశ్లేషించాలో వివరించే SAS ఫోరమ్ పేపర్లలో ఇది ఒకటి. చాలా వివరంగా మరియు ఉపయోగకరంగా ఉంది.

మెథడలాజికల్ ఆర్టికల్స్

ప్రెంటిస్, రాస్ ఎల్., మరియు ఇతరులు. పోటీ ప్రమాదాల సమక్షంలో వైఫల్య సమయాల విశ్లేషణ. బయోమెట్రిక్స్ (1978): 541-554.
ఈ కాగితం కల్బ్‌ఫ్లీష్ మరియు ప్రెంటిస్ రాసిన పుస్తక అధ్యాయానికి చాలా పోలి ఉంటుంది, బహుశా అవి ఒకే కాగితం.

గ్రే, రాబర్ట్ జె. పోటీ ప్రమాదం యొక్క సంచిత సంఘటనలను పోల్చడానికి K- నమూనా పరీక్షల తరగతి. ది అన్నల్స్ ఆఫ్ స్టాటిస్టిక్స్ (1988): 1141-1154.
రెండు లేదా అంతకంటే ఎక్కువ CIF లను పోల్చడానికి సవరించిన చి-స్క్వేర్డ్ పరీక్షను ప్రతిపాదించిన కాగితం ఇది. ఇతిహాసం!

ఫైన్, జాసన్ పి., మరియు రాబర్ట్ జె. గ్రే. పోటీ ప్రమాదం యొక్క ఉప పంపిణీకి అనుపాత ప్రమాదకర నమూనా. జర్నల్ ఆఫ్ ది అమెరికన్ స్టాటిస్టికల్ అసోసియేషన్ 94.446 (1999): 496-509.
సబ్ డిస్ట్రిబ్యూషన్ హజార్డ్ ఫంక్షన్ మరియు సిఐఎఫ్ కోసం అనుపాత ప్రమాద నమూనాను ప్రతిపాదించిన కాగితం ఇది. ఇతిహాసం!

లాటౌచే, é రేలియన్, మరియు ఇతరులు. పోటీ ప్రమాదం యొక్క సబ్ డిస్ట్రిబ్యూషన్ ప్రమాదం కోసం తప్పుగా పేర్కొన్న రిగ్రెషన్ మోడల్. Medicine షధం లో గణాంకాలు 26.5 (2007): 965-974.
ఈ పేపర్ ప్రచురించిన పేపర్లలో సబ్ డిస్ట్రిబ్యూషన్ హజార్డ్ ఫంక్షన్ యొక్క దుర్వినియోగాన్ని విమర్శించింది. ఈ పద్ధతిని ఉపయోగించడంలో కొన్ని సాధారణ తప్పులను ఎత్తి చూపినందున ఇది ఒక రకమైన సహాయకారి.

లా, బ్రయాన్, స్టీఫెన్ ఆర్. కోల్, మరియు స్టీఫెన్ జె. గంగే. ఎపిడెమియోలాజిక్ డేటా కోసం రిస్క్ రిగ్రెషన్ మోడళ్లను పోటీ చేస్తుంది. అమెరికన్ జర్నల్ ఆఫ్ ఎపిడెమియాలజీ 170.2 (2009): 244-256.
ఈ కాగితం స్పష్టమైన గ్రాఫ్లతో CIF మరియు పోటీ రిస్క్ రిగ్రెషన్ యొక్క అద్భుతమైన సారాంశాన్ని ఇస్తుంది. వాస్తవ ప్రపంచ డేటాలో ఈ పద్ధతి యొక్క అనువర్తనం కూడా ఉంది. ఎపిడెమియాలజిస్టులకు చాలా ఉపయోగకరంగా ఉంటుంది.

జౌ, బింగ్కింగ్, మరియు ఇతరులు. స్ట్రాటిఫైడ్ డేటా కోసం రిస్క్ రిగ్రెషన్‌ను పోటీ చేస్తుంది. బయోమెట్రిక్స్ 67.2 (2011): 661-670.
స్తరీకరించిన డేటాను విశ్లేషించడానికి గ్రే యొక్క పద్ధతులను కాగితం విస్తరించింది.

జౌ, బింగ్కింగ్, మరియు ఇతరులు. క్లస్టర్డ్ డేటా కోసం రిస్క్ రిగ్రెషన్‌ను పోటీ చేస్తుంది. బయోస్టాటిస్టిక్స్ 13.3 (2012): 371-383.
క్లస్టర్డ్ డేటాను విశ్లేషించడానికి గ్రే యొక్క పద్ధతులను కాగితం విస్తరించింది.

అండర్సన్, పర్ క్రాగ్, మరియు ఇతరులు. ఎపిడెమియాలజీలో పోటీ ప్రమాదాలు: అవకాశాలు మరియు ఆపదలు. ఇంటర్నేషనల్ జర్నల్ ఆఫ్ ఎపిడెమియాలజీ 41.3 (2012): 861-870.
గ్రే యొక్క పద్ధతుల యొక్క మంచి సారాంశం మరియు విమర్శ.

అప్లికేషన్ వ్యాసాలు

వోల్బర్స్, మార్సెల్, మరియు ఇతరులు. పోటీ ప్రమాదాలతో ప్రోగ్నోస్టిక్ నమూనాలు: కొరోనరీ రిస్క్ ప్రిడిక్షన్కు పద్ధతులు మరియు అప్లికేషన్. ఎపిడెమియాలజీ 20.4 (2009): 555-561.
ఈ కాగితం కొరోనరీ హార్ట్ డిసీజ్ మరణాలను విశ్లేషించడంలో ఫైన్ అండ్ గ్రే యొక్క నమూనాను ప్రామాణిక కాక్స్ మోడల్‌తో పోల్చింది మరియు కాక్స్ మోడల్ ప్రమాదాన్ని ఎక్కువగా అంచనా వేసింది.

వోల్బర్స్, మార్సెల్, మరియు ఇతరులు. పోటీ ప్రమాదాల విశ్లేషణలు: లక్ష్యాలు మరియు విధానాలు. యూరోపియన్ హార్ట్ జర్నల్ (2014): ehu131.
ఈ కాగితం వోల్బర్స్ మరియు ఇతరులు కూడా. కానీ గ్రే యొక్క పద్ధతి గురించి మరింత విస్తృతమైన సమీక్ష మరియు అమర్చగల కార్డియోఓవర్-డీఫిబ్రిలేటర్స్ ప్రభావం యొక్క ఉదాహరణ విశ్లేషణను ఇస్తుంది.

గ్రోవర్, గుర్ప్రిత్, ప్రఫుల్ల కుమార్ స్వైన్, మరియు వాజల రవి. కోవారియేట్స్ ఉనికిలో యాంటీరెట్రోవైరల్ థెరపీపై హెచ్ఐవి / ఎయిడ్స్ రోగుల మరణం యొక్క సంభావ్యతను అంచనా వేయడానికి సెన్సార్‌తో పోటీ రిస్క్ అప్రోచ్. గణాంకాల పరిశోధన లేఖలు 3.1 (2014).
HIV చికిత్స పరిశోధనలో ఒక క్లాసిక్ అప్లికేషన్.

డిగ్నమ్, జేమ్స్ జె., కియాంగ్ జాంగ్, మరియు మాషా కోచెర్గిన్స్కీ. పోటీ ప్రమాదాల రిగ్రెషన్ మోడళ్ల ఉపయోగం మరియు వివరణ. క్లినికల్ క్యాన్సర్ పరిశోధన 18.8 (2012): 2301-2308.
ఈ కాగితం ప్రోస్టేట్ క్యాన్సర్ కోసం రేడియేషన్ థెరపీ ఆంకాలజీ గ్రూప్ క్లినికల్ ట్రయల్ నుండి ఒక ఉదాహరణ డేటాను ఉపయోగించింది, వివిధ రకాలైన ప్రమాదం ఒకే ict హాజనిత గురించి చాలా భిన్నమైన నిర్ణయాలకు దారితీస్తుందని చూపించడానికి.

R ట్యుటోరియల్స్

స్క్రక్కా, ఎల్., ఎ. శాంటుచి, మరియు ఎఫ్. అవెర్సా. R ఉపయోగించి పోటీ విశ్లేషణ విశ్లేషణ: వైద్యులకు సులభమైన గైడ్. ఎముక మజ్జ మార్పిడి 40.4 (2007): 381-387.
నాన్-స్టాటిసిటికల్ వ్యక్తుల కోసం R లో CIF ను అంచనా వేయడానికి చాలా మంచి ట్యుటోరియల్.

స్క్రక్కా, ఎల్., ఎ. శాంటుచి, మరియు ఎఫ్. అవెర్సా. R ఉపయోగించి పోటీ ప్రమాదం యొక్క రిగ్రెషన్ మోడలింగ్: వైద్యుల కోసం లోతైన గైడ్. ఎముక మజ్జ మార్పిడి 45.9 (2010): 1388-1395.
నాన్-స్టాటిసిటికల్ వ్యక్తుల కోసం R లో పోటీపడే రిస్క్ రిగ్రెషన్ను అమర్చడం చాలా మంచి ట్యుటోరియల్.

స్కీక్, థామస్ హెచ్., మరియు మెయి-జీ జాంగ్. R టైమ్రేగ్ ప్యాకేజీని ఉపయోగించి పోటీ రిస్క్ డేటాను విశ్లేషించడం. జర్నల్ ఆఫ్ స్టాటిస్టికల్ సాఫ్ట్‌వేర్ 38.2 (2011).
పోటీ డేటా విశ్లేషణ కోసం cmprsk ప్యాకేజీ కాకుండా R ప్యాకేజీ టైమ్‌రెగ్‌కు పరిచయం.

STATA ట్యుటోరియల్స్

కోవిల్లో, విన్సెంజో మరియు మే బోగెస్. పోటీ ప్రమాదాల సమక్షంలో సంచిత సంఘటనల అంచనా. STATA జర్నల్ 4 (2004): 103-112.

బ్రాండెన్‌బర్గ్ v ఓహియో 1969

SAS ట్యుటోరియల్స్

లిన్, గుక్సియన్, యింగ్ సో, మరియు గోర్డాన్ జాన్స్టన్. SAS సాఫ్ట్‌వేర్‌ను ఉపయోగించి పోటీ ప్రమాదాలతో మనుగడ డేటాను విశ్లేషించడం. SAS గ్లోబల్ ఫోరం. వాల్యూమ్. 2102. 2012.

కోర్సులు

సాలీ ఆర్. హిన్చ్లీ. పోటీ ప్రమాదాలు - ఏమి, ఎందుకు, ఎప్పుడు మరియు ఎలా? జూనియర్ పరిశోధకుల కోసం మనుగడ విశ్లేషణ, ఆరోగ్య శాస్త్ర విభాగం, లీసెస్టర్ విశ్వవిద్యాలయం, 2012
పద్ధతిని అర్థం చేసుకోవడానికి చాలా గ్రాఫ్‌లతో పోటీ ప్రమాద విశ్లేషణపై అద్భుతమైన ఉపన్యాసం.

బెర్న్‌హార్డ్ హాలర్. ముందస్తు సబ్ డిస్ట్రిబ్యూషన్ ప్రమాదాల తరువాత పోటీ ప్రమాదాల డేటా యొక్క విశ్లేషణ మరియు డేటా అనుకరణ, రీసెర్చ్ సెమినార్, ఇన్స్టిట్యూట్ ఫర్ మెడికల్ స్టాటిస్టిక్స్ అండ్ ఎపిడెమియాలజీ, టెక్నికల్ యూనివర్శిటీ ఆఫ్ మ్యూనిచ్, 2013
పోటీ డేటాను ఎలా అనుకరించాలో మీకు నేర్పండి, అనుసరించడం కొంచెం కష్టం.

రాబర్టో జి. గుటిరెజ్. పోటీ-నష్టాల రిగ్రెషన్, 2009 ఆస్ట్రేలియన్ మరియు న్యూజిలాండ్ స్టేటా యూజర్స్ గ్రూప్ మీటింగ్. స్టాటాకార్ప్ LP, 2009
పోటీ ప్రమాద డేటాను విశ్లేషించడానికి STATA ను ఉపయోగించడం గురించి ఉపన్యాసం.

జైక్సింగ్ షి, పోటీ ప్రమాద విశ్లేషణ - ఎపి VI ప్రదర్శన, 2014 వసంత సెమిస్టర్ తరగతి ప్రదర్శన.
ఇది నా ప్రదర్శన స్లైడ్‌లు!

ఆసక్తికరమైన కథనాలు

ఎడిటర్స్ ఛాయిస్

మీ మనస్సును చదవగల యంత్రం
మీ మనస్సును చదవగల యంత్రం
కొలంబియా యొక్క మాగ్నెటిక్ రెసొనెన్స్ రీసెర్చ్ సెంటర్‌లో, శాస్త్రవేత్తలు మానవ ఆలోచనలు, జ్ఞాపకాలు మరియు భావోద్వేగాల యొక్క నాడీ ప్రాతిపదికను ఆవిష్కరిస్తున్నారు - మరియు అత్యాధునిక మెదడు-స్కానింగ్ సాంకేతిక పరిజ్ఞానాన్ని ప్రపంచంతో పంచుకుంటున్నారు.
అమెరికన్ లాంగ్వేజ్ ప్రోగ్రామ్
అమెరికన్ లాంగ్వేజ్ ప్రోగ్రామ్
U.S. లోని పురాతన, అత్యంత గౌరవనీయమైన ఆంగ్ల భాషా కార్యక్రమాలలో ఒక ఐవీ లీగ్ విశ్వవిద్యాలయంలో క్యాంపస్‌లో ఇంగ్లీష్ నేర్చుకోండి.
Xiaomi Mi 8 Lite మొబైల్ ధర, స్పెక్స్, విడుదల తేదీ, భారతదేశంలో ధర, USD ధర
Xiaomi Mi 8 Lite మొబైల్ ధర, స్పెక్స్, విడుదల తేదీ, భారతదేశంలో ధర, USD ధర
Xiaomi Mi 8 Lite స్పెసిఫికేషన్, ఫీచర్లు, భారతదేశంలో ధర, USD ధర, బ్యాటరీ, కెమెరా. Xiaomi Mi 8 Lite ప్రాసెసర్, డిస్ప్లే, విడుదల తేదీ, అంచనా ధర
కొలంబియా పూర్వ విద్యార్థుల 15 ఆస్కార్-విన్నింగ్ సినిమాలు
కొలంబియా పూర్వ విద్యార్థుల 15 ఆస్కార్-విన్నింగ్ సినిమాలు
పునరావాసం మరియు పునరుత్పత్తి వైద్య విభాగం
పునరావాసం మరియు పునరుత్పత్తి వైద్య విభాగం
తక్కువ వెన్నునొప్పి అంటే ఏమిటి? తక్కువ వెన్నునొప్పి తేలికపాటి, నీరసమైన, బాధించే నొప్పి నుండి, నిరంతర, తీవ్రమైన, తక్కువ వెనుక భాగంలో నొప్పిని నిలిపివేస్తుంది. దిగువ వెనుక భాగంలో నొప్పి కదలికను పరిమితం చేస్తుంది మరియు సాధారణ పనితీరుకు ఆటంకం కలిగిస్తుంది. తక్కువ వెన్నునొప్పి నేడు సమాజం ఎదుర్కొంటున్న ఆరోగ్య సమస్యలలో ఒకటి. నేషనల్ ఇన్స్టిట్యూట్ ఆఫ్ హెల్త్ నుండి ఈ గణాంకాలను పరిశీలించండి: 10 మందిలో ఎనిమిది మందికి వారి జీవితంలో కొంత సమయంలో వెన్నునొప్పి ఉంటుంది. అన్ని వయసుల పిల్లలు మరియు పెద్దలలో కార్యాచరణ పరిమితికి వెన్నునొప్పి ఒక సాధారణ కారణం.
కొలంబియా గ్రాడ్ల కోసం ఎంపైర్ స్టేట్ బిల్డింగ్ ఎప్పుడు, ఎక్కడ పట్టుకోవాలి
కొలంబియా గ్రాడ్ల కోసం ఎంపైర్ స్టేట్ బిల్డింగ్ ఎప్పుడు, ఎక్కడ పట్టుకోవాలి
ఏప్రిల్ 30 రాత్రి, ఎంపైర్ స్టేట్ భవనం ప్రారంభానికి నీలం మరియు తెలుపు రంగులో మెరుస్తుంది. దానితో ఉత్తమమైన ఫోటోలను తీయడానికి ఇక్కడ ఉంది.
నబీలా ఎల్-బాసెల్
నబీలా ఎల్-బాసెల్
HIV / AIDS నివారణ మరియు చికిత్స కోసం ఇంటర్వెన్షన్ సైన్స్లో ప్రముఖ వ్యక్తి, ఇప్పుడు విశ్వవిద్యాలయ ప్రొఫెసర్ అయిన డాక్టర్ ఎల్-బాసెల్ ఆమె పనికి ప్రసిద్ది చెందింది