Das Kefk Network Wiki befindet sich im Testbetrieb.

Cox-Regression

Aus Kefk.

Wechseln zu: Navigation, Suche

Die Cox-Regression ist ein Regressionsmodell aus der mathematischen Statistik. Es wird zur Modellierung von Überlebenszeiten in der Survival Analysis benutzt und basiert auf dem Konzept der Hazardrate. Benannt wurde die Cox-Regression nach dem britischen Statistiker David Cox.

Inhaltsverzeichnis

Das Regressionsmodell

Das von Cox vorgeschlagene Regressionsmodell wird zur Untersuchung des Verhaltens der Hazardfunktion in Abhängigkeit von Umwelteinflüssen benutzt. Grundlage des Modells sind q-dimensionale Einflussvektoren z_i \; mit i = 1, \ldots n\;, die für jedes Individuum i\; der Studie beobachtet werden können. Der Zusammenhang zwischen diesen Einflüssen und der Hazardfunktion wird dann über die Relation

h(t;z_i) = h_{0}(t) \exp(z_i' \beta)\;

hergestellt. h_{0}\; bezeichnet dabei eine unbekannte baseline-Hazardfunktion, die im Ausgangsfall ohne Einflüsse (also z_i = 0\;) die zugehörige Hazardfunktion darstellt. \beta\; ist ein unbekannter Parameter, ebenfalls q-dimensional. Aufgabe der Statistik ist die Schätzung dieses Parameters.

Die Beobachtungen

Die Beobachtungen bestehen im Modell der Cox-Regression aus einem Tripel (t_i, z_i, \delta_i)\;, wobei z_i \; wie oben den Einflussvektor für das Individuum i\; bezeichnet.

t_i\; ist (wie im Falle der Untersuchung zensierter Daten üblich) als das Minimum von zwei Zufallsvariablen x_i\; und y_i\; definiert. Im Falle des tatsächlich beobachteten Todes eines Individuums gibt x_i\; den Todeszeitpunkt von i\; an. Falls dagegen nur die Studie beendet wurde, gibt y_i\; den Zeitpunkt der Beendigung an. Es ist offensichtlich, dass nur bei einer Beobachtung des Todes Rückschlüsse auf die Form der Hazardfunktion geschlossen werden können. Daher gibt \delta_i = I\{x_i \leq y_i\} an, ob der Tod oder das Ende der Studie beobachtet wurde.

Die Schätzung von \beta\;

Aufgrund der Struktur von h(t;z_i)\; ergibt sich das Problem, dass in Intervallen ohne Todesfall keine Rückschlüsse auf \beta\; gezogen werden können. Es ist schließlich möglich, dass die unbekannte baseline-Hazardfunktion h_0(t)\; in diesem Intervall verschwindet und also a priori keine Todesfälle stattfinden können. Man greift daher auf einen Trick zurück und betrachtet bedingte Wahrscheinlichkeiten.

Wenn ausschließlich dann Informationen über \beta\; erhalten werden können, wenn ein Todesfall stattgefunden hat, bietet sich zum Zeitpunkt des Todes von Individuum i\; die Berechnung der folgenden Wahrscheinlichkeit an: Wie wahrscheinlich ist es, dass von allen noch lebenden Individuen nun ausgerechnet i\; stirbt? Formal lässt sie sich als

p_i(\beta) := \frac{\exp(z_i' \beta)}{\sum_{j \in R_i} \exp(z_j' \beta)}

berechnen. R_i\; bezeichnet dabei diejenigen Individuen, die zum Zeitpunkt des Todes von i\; noch leben.

Um eine Art Maximum-Likelihood-Schätzer für \beta\; zu finden, wird nun in Abhängigkeit von \gamma\; die Likelihood-Funktion

p(\gamma) := \prod_{i=1}^{n} p_i(\gamma)^{\delta_i}

maximiert. Dabei wird durch das Potenzieren der einzelnen bedingten Wahrscheinlichkeiten mit \delta_i\; der Tatsache Rechnung getragen, dass nur die Beobachtung eines Todesfalls und nicht die des Endes der Studie Informationen über \beta\; liefert.

Literatur

  • David Cox: Regression models and life tabels. Journal of the Royal Statistical Society B, 34 (1972), S. 187 - 220.
Wikipedia
 Dieses Dokument entstammt in seiner ersten oder einer späteren Version der deutschsprachigen Wikipedia. Es ist dort zu finden unter dem Stichwort Cox-Regression, die Liste der bisherigen Autoren befindet sich in der Versionsliste; die Originalfassung kann dort auch bearbeitet werden. Alle Texte der Wikipedia und ihre Derivate stehen unter der GNU-Lizenz für freie Dokumentation.
Von „http://www.kefk.org/wiki/Cox-Regression“
Persönliche Werkzeuge
Andere Sprachen