Model mana yang harus saya gunakan untuk bahaya proporsional Cox dengan data berpasangan?

Saya berharap seseorang dapat membantu saya dengan model mana (kelemahan, strata atau cluster) yang harus saya gunakan untuk data saya. Saya telah memasangkan data sehingga saya perlu memperhitungkannya saat memodelkan Cox PH dan tidak yakin model mana yang akan memberi saya hasil yang lebih akurat.

Penelitian saya mengamati waktu yang diperlukan seseorang untuk menjadi tenang setelah menjadi sasaran rangsangan tertentu. Setiap orang mengalami dua rangsangan berbeda, pada hari yang berbeda. Mereka secara acak diberikan stimulus mana yang pertama. Saya telah memodelkan ini dengan analisis survival (waktu-ke-peristiwa) tetapi sekarang saya harus mempertimbangkan bahwa data dipasangkan.

Bantuan apa pun mengenai kapan Anda akan menggunakan model frailty, strata atau cluster akan sangat bagus.

Subjek ini dilindungi oleh sejumlah makalah termasuk:

• Pemodelan data kelangsungan hidup berkerumun dari uji klinis multisenter
• Model kelemahan bersama dan kekuatan untuk uji heterogenitas dalam uji coba multicenter
• The Frailty Model, Bab 3
• Model bahaya proporsional dengan kelemahan dan efek acak.

Berikut ini adalah ringkasan yang sangat singkat (dan tidak lengkap) dari perbedaan antara kedua pendekatan.

Pendekatan bertingkat

Untuk setiap pasangan, ada fungsi bahaya garis dasar yang tidak ditentukan. Ide kemungkinan parsial mudah disesuaikan dengan mengalikan kemungkinan parsial spesifik untuk setiap strata.

Pro :

• Kurangnya struktur.

Cons :

• Itu tidak memberikan informasi tentang heterogenitas antara pasangan;
• Pasangan yang kedua anggotanya berbagi informasi kovariat yang sama atau yang hanya memberikan pengamatan sensor tidak berkontribusi terhadap kemungkinan; ini karena tidak ada perbandingan antara pasangan yang dicoba.

Pendekatan penipuan

Asosiasi dalam-pasangan dicatat oleh efek acak yang umum bagi kedua anggota dari pasangan yang sama. Oleh karena itu, ada lagi bahaya garis dasar yang berbeda untuk setiap pasangan, tetapi mereka tidak sepenuhnya tidak ditentukan; ada beberapa struktur. Estimasi didasarkan pada kemungkinan marginal.

Pro :

• Parsimony: heterogenitas dijelaskan oleh parameter tunggal;
• Ukuran ringkasan tentang heterogenitas tersedia ( Memahami heterogenitas ... );
• Dimungkinkan untuk mempelajari pengaruh variabel yang umum dalam pasangan.

Cons :

• ketersediaan perangkat lunak (dalam R, Anda dapat melihat coxph()atau parfm(); di SAS, Anda dapat melihat proc phreg);
• penelitian masih berlangsung.

Sebagai kesimpulan, pilihannya tergantung pada riset Anda. Namun, referensi terakhir dari daftar memberikan beberapa panduan:

Untuk situasi di mana ukuran kelompok lima atau lebih besar, sulit untuk membenarkan penggunaan model efek acak dibandingkan model stratifikasi, model yang terakhir ini jauh lebih mudah diimplementasikan. Cerita berubah untuk ukuran kelompok kurang dari lima dan, untuk studi kembar khususnya, peningkatan efisiensi sedemikian rupa sehingga kami lebih suka menggunakan model efek acak daripada model bertingkat. Model bertingkat tetap valid tetapi dapat diperlukan dari 20 persen hingga 30 persen lebih banyak pengamatan untuk mencapai ketepatan yang sama.