Bayes'sche Frailty-Modelle mit gemischten Heilungsraten

Zur Analyse von Daten mit Langzeitüberlebenden werden in der Regel Mischungsheilungsratenmodelle verwendet. Auf der anderen Seite führen Frailty-Modelle zu einer genauen Schätzung der Koeffizienten, indem sie die Heterogenität in den Überlebensdaten kontrollieren. In der Regel wird in den Frailty-Modellen die Gamma-Verteilung verwendet. Für Überlebensdaten, die für Populationen mit einer Heilungsrate geeignet sind, kann es jedoch besser sein, eine diskrete Verteilung für 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 für die Frailty-Zufallsvariable verwendet. Außerdem 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 geschätzt. Eine Simulationsstudie wurde auch verwendet, um die Leistung der Bayes'schen Schätzungen zu bewerten und die vorgeschlagenen Modelle zu bestätigen.