Bayes'sche Frailty-Modelle mit gemischten Heilungsraten

Zur Analyse von Daten mit Langzeiterlebenden werden in der Regel Mischungsheilungsratenmodelle verwendet. Auf der anderen Seite fren Frailty-Modelle zu einer genauen Sch酹zung der Koeffizienten, indem sie die Heterogenit酹 in den 鈁erlebensdaten kontrollieren. In der Regel wird in den Frailty-Modellen die Gamma-Verteilung verwendet. F 鈁erlebensdaten, die f Populationen mit einer Heilungsrate geeignet sind, kann es jedoch besser sein, eine diskrete Verteilung f die Frailty-Zufallsvariable zu verwenden als eine kontinuierliche Verteilung. Deshalb haben wir in diesem Buch zwei Modelle vorgeschlagen. Im ersten Modell wird die Gamma-Verteilung verwendet, im zweiten Modell wird die Hyper-Poisson-Verteilung f die Frailty-Zufallsvariable verwendet. Au erdem wurde in den beiden vorgeschlagenen Modellen die Bayes'sche Inferenz mit der Weibull-Verteilung und der verallgemeinerten modifizierten Weibull-Verteilung als Basisverteilung verwendet. In diesem Buch haben wir Daten von Patienten mit Magenkrebs verwendet, um die Anwendung dieser Modelle in der realen Datenanalyse zu zeigen. Die Parameter und Regressionskoeffizienten wurden mithilfe des Metropolis-im-Gibbs-Sampling-Algorithmus gesch酹zt. Eine Simulationsstudie wurde auch verwendet, um die Leistung der Bayes'schen Sch酹zungen zu bewerten und die vorgeschlagenen Modelle zu best酹igen.