Advanced Survival Models
A túlélési adatok elemzése a statisztika igen széles területe, amely számos, számos alkalmazásban, különösen az orvosi kutatásban használt módszereket foglal magában. Az elmúlt húsz év során a "klasszikus" túlélési modellek számos kiterjesztését dolgozták ki a gyakorlatban gyakran előforduló különleges helyzetek kezelésére. E könyv célja, hogy egyetlen referenciába gyűjtse össze a leggyakrabban használt kiterjesztéseket, mint például a törékenységi modelleket (megfigyeletlen heterogenitás vagy klaszterezett adatok esetén), a gyógyulási modelleket (amikor a populáció egy része nem éli át a kívánt eseményt), a versengő kockázati modelleket (különböző típusú események esetén), valamint az eseményig tartó végpontra és a longitudinális kimenetelre vonatkozó együttes túlélési modelleket.
Jellemzők.
⬤ Bemutatja a különböző fejlett túlélési modellek legkorszerűbb megközelítéseit, beleértve a törékenységi modelleket, a gyógyulási modelleket, a versengő kockázati modelleket és a közös modelleket egy longitudinális és egy túlélési kimenetelre.
⬤ A könyvben végig következetes jelölést használ a különböző bemutatott technikákhoz.
⬤ Magyarázza, hogy az egyes modelleket milyen helyzetben kell használni, és hogyan kapcsolódnak konkrét kutatási kérdésekhez.
⬤ Középpontjában a modellek megértése, megvalósítása és értelmezése áll, a mesterszakos hallgatók és az alkalmazott statisztikusok számára megfelelő szintű módszertani fejlesztéssel.
⬤ Hivatkozásokat ad a meglévő R-csomagokra és SAS-eljárásokra vagy makrókra, és illusztrálja a legfontosabbak használatát valós adatkészleteken.
Ez a könyv elsősorban az alkalmazott statisztikusoknak és a statisztika és biostatisztika végzős hallgatóinak szól. Bevezető referenciaként szolgálhat a klasszikus túlélési elemzés főbb kiterjesztései iránt érdeklődő módszertani kutatók számára is.
© Book1 Group - minden jog fenntartva.
Az oldal tartalma sem részben, sem egészben nem másolható és nem használható fel a tulajdonos írásos engedélye nélkül.
Utolsó módosítás időpontja: 2024.11.13 21:05 (GMT)