Модель пропорційної небезпеки Кокса та обрана вибірка без випадкових ознак

9

Чи є якісь методи виправлення упередженості в пропорційній моделі Кокса, пов'язані з випадковою вибіркою (щось на зразок виправлення Гекмана)?

Передумови :
Скажімо, ситуація виглядає так:
- Протягом перших двох років всіх клієнтів приймають.
- Після цих двох років будується модель Cox PH. Модель передбачає, як довго клієнти будуть користуватися нашою послугою.
- Через політику компанії відтепер приймаються лише клієнти з вірогідністю вижити на 3 місяці більше 0,5, а інших відхиляються.
- Ще через два роки потрібно збудувати нову модель. Проблема полягає в тому, що ми орієнтуємося лише на прийнятих клієнтів і використання лише цих клієнтів може спричинити серйозні упередження.

bias cox-model

— Томек Тарчинський
джерело

1

У чому сенс цього аналізу? Модель Cox PH прямо не передбачає часу до відмови, якщо ви не використовуєте деякі способи згладжування або параметричне моделювання. Які змінні стратифікації / коригування є у цій моделі?

— АдамО

4

Запропоновано рішення параметричних моделей небезпеки. Погляньте на ці:

Prieger, James, 2000. "Узагальнена параметрична модель відбору для ненормативних даних", Робочі документи 00-9, Каліфорнійський університет у Девісі, кафедра економіки.

Буммке, Фредерік Дж., Даніель Морі та Меган Шеннон. 2006. "Зміщення вибору та моделі безперервної тривалості: наслідки та запропоноване рішення". Американський журнал політичних наук 50 (1): 192-207.

У Stata є код для подальшої роботи , пакет "dursel"

Однак мені невідомо рішення для напівпараметричної моделі Кокса.

— jorpppp
джерело

Проблема з підрахунком параметричних підходів із напівпараметричною моделлю Кокса полягає в тому, що ця конкретна проблема фактично пов'язана з відсутніми даними. Незважаючи на те, що автор не описав, як він отримує абсолютні прогнози ризику від моделі Кокса, враховуючи, що ми маємо таке прогнозування ризику на основі параметрів моделі (та оцінок базової функції небезпеки), ймовірність включення у другу фазу даних збір залежить від оригінального прогнозування ризику, тому відсутність залежить від спостережуваних змінних, тобто відсутніх випадкових даних.

— АдамО

2

Проста відповідь - зважування. Тобто, ви можете використовувати ваги для стандартизації груп у "прийнятій" групі для населення, яке цікавить. Проблема, яка виникає при використанні таких ваг в об'єднаному аналізі, використовуючи як фази першого, так і другого двох років, полягає в тому, що розрахункові ваги сукупності та параметри тепер залежать. Зазвичай використовується псевдоподібний підхід (у цьому випадку це буде якась псевдо-часткова ймовірність), коли ви ігноруєте залежність між вагою вибірки та оцінкою параметрів. Однак у багатьох практичних обставинах (і цей не відрізняється) облік цієї залежності необхідний. Питання створення ефективного оцінювача коефіцієнтів небезпеки є складним, і наскільки я знаю, відкритим було закінчено.

Покращена оцінка Горвіца-Томпсона модельних параметрів з двофазних стратифікованих зразків: застосування в епідеміології .

У статті розглядаються методи опитування, які зазвичай застосовуються при логістичній регресії, однак ви також можете зважити дані про виживання. Деякі важливі міркування, які ви нехтували зазначенням, - це зацікавлення у створенні прогнозу, який стосується всього населення, або до "кваліфікованого" населення на основі дворічних оцінок, або "кваліфікуючого" населення на основі отриманих результатів модель. Ви також не згадали, як саме така модель "прогнозування" створюється з моделі Кокса, оскільки придатні значення з моделі Кокса не можуть трактуватися як ризики. Я припускаю, що ви оцінюєте коефіцієнти небезпеки, а потім отримуєте зглажену оцінку базової функції небезпеки.

— АдамО
джерело