KaydedilenlerDerginizi ekleyin

Dergiler / Alphanumeric Journal / 2015 / Cilt 3, Sayı 2, 2015

Yaşam Çözümlemesinde Aykırı Değerler

Outliers in Survival Analysis

Durdu KARASOY
Nuray TUNCER
Sayfa
139–152
Yayın Tarihi
2015-12-30
DOI
—
🏛️Bu makalenin bibliyografik verileri ve tam metin bağlantısı DergiPark üzerinden sağlanmıştır.
DergiPark Kaydı ↗
✨

Yapay Zeka Hızlı Bakış & Çıkarımlar

AI Insight
⚡ TL;DR(1 Cümlede Hızlı Çıkarım)

Belirlenen aykırı değerler çıkarılarak model yeniden kurulmuş ve aykırı değerler çıkarıldığında sonuçların daha iyi olduğu görülmüştür.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Yaşam çözümlemesi, tanımlanan herhangi bir olayın ortaya çıkmasına kadar geçen sürenin incelenmesinde kullanılan istatistiksel yöntemler bütünüdür.
📊
Temel Bulgular & Veri:Yaşam çözümlemesinde aykırı değerler klasik regresyonda kullanılan yöntemlerden farklı yöntemler kullanılarak hesaplanmaktadır.
💡
Sonuç & Katkı:Belirlenen aykırı değerler çıkarılarak model yeniden kurulmuş ve aykırı değerler çıkarıldığında sonuçların daha iyi olduğu görülmüştür.
🔬Tür:Modelleme & Sayısal Simülasyon
📍Kapsam:Genişletilmiş Akademik Örneklem
⚙️Değişkenler:Alan Parametreleri

Özet

Yaşam çözümlemesi, tanımlanan herhangi bir olayın ortaya çıkmasına kadar geçen sürenin incelenmesinde kullanılan istatistiksel yöntemler bütünüdür. Yaşam çözümlemesinde aykırı değerler klasik regresyonda kullanılan yöntemlerden farklı yöntemler kullanılarak hesaplanmaktadır. Yaşam çözümlemesinde aykırı değer belirleme yöntemleri artıklara ve artıkların analizine dayanmaktadır. Yaşam çözümlemesinde kullanılan başlıca artık türleri Cox-Snell, Martingale, Schoenfeld, Sapma, Log-odds ve Normal sapma artıklarıdır. Etkili gözlemleri belirlemek için kullanılan yöntemler ise DFBETA, LMAX ve Olabilirlik Değişim değerleridir. İncelenen artık türleri mide kanseri ile ilgili verilere uygulanmış ve aykırı değerler belirlenmiştir. Belirlenen aykırı değerler çıkarılarak model yeniden kurulmuş ve aykırı değerler çıkarıldığında sonuçların daha iyi olduğu görülmüştür.

Abstract

Survival analysis is a collection of statistical methods for analyzing data where the outcome variable is the time until the occurrence of an event of interest. Outliers in survival anaysis calculated differently from classical regression analysis. Outlier detection methods in survival analysis are commonly carried out based on residuals and residual analysis. In survival analysis, there are different types of residuals that are Cox-Snell, Martingale, Schoenfeld, Deviance, Log-odds and Normal deviance residuals. There are methods which are DFBETA, LMAX and Likelihood Displacement values for detecting influential observations. The residuals are analyzed during the study which is applied on a stomach cancer data set and the outliers are detected. After omitting these outliers, model is set up again and results were found better.

🔖

Bu Makaleye Atıf Yap

KARASOY, D., TUNCER, N. (2015). Yaşam Çözümlemesinde Aykırı Değerler. Alphanumeric Journal, Cilt 3, Sayı 2, 2015, 139–152. https://ajindex.com/articles/63621

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (11)

  1. Ata, N., Sertkaya, D., Sözer, M.T., (2007). “Orantılı Tehlike Varsayımının İncelenmesinde Kullanılan Yöntemler ve Bir Uygulama”, Eskişehir Osmangazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, XX, S.1. Barlow,W. E., Prentice, R. L., (1988). Residuals for relative risk regression, Biometrika, 75, 65 – 74. Collett, D., (1994). Modelling Survival Data in Medical Research, Chapman &Hall/CRC. Cox, D. R., Snell, E. J., (1968). “A General Definition of Residuals”, Journal of the Royal Statistical Society, 30, 2, 248-275.
  2. Cox, D.R., Oakes, D., (1984).
  3. Analysis of Survival Data, Chapman and Hall, London. Elandt-Johnson, R. C., Johnson, N. L., (1980).
  4. Survival Models and Data Analysis, John Wiley& Sons, Inc, New York. Eroğlu, A., Altınok, M., Özgen, K., Sertkaya, D., (1997). “A Multivariate Analysis of Clinical and Pathological Variables in Survival After Resection of Gastric Cancer”, Türkiye Klinikleri Medical Research, 15, 1, 15-20.
  5. Fitrianto, A., Jiin, R. L. T., (2013). “Several Types of Residuals in Cox Regression Model: An Emprical Study”, International Journal of Mathematical Analysis, 7,73, 2645-2654.
  6. Flemming, T. R., Harrington, D. P., (1991). Couting Processes and Survival Analysis, Wiley, New York. Gharibvand, L. and Fernandez, G., (2008). Advanced Statistical and Graphical Features of SAS® PHREG, SAS GLOBAL Forum 2008 Conference proceedings San Antonio TX. Gharibvand, L., Jeske, D.R., Liao, S., (2008). Evaluation of a Hospice Care Referral Program Using Cox Proportional Hazards Model, Western Users of SAS Software Conference, Universal City, CA. Hosmer, D. W., Lemeshow, S., (1999). Applied Survival Analysis: Regression Modeling of Time to Event Data, Wiley&Sons, New York. Klein, J. P., Moeschberger, M. L., (2003). Survival Analysis: Techniques for Censored and Truncated Data., Springer, New York. Kleinbaum,D.G., Klein,M., (2005). Survival analysis: A Self-Learning Text, Second Edition,
  7. Springer. Kul, S., (2010) “The Use of Survival Analysis for Clinical Pathways”, International Journal of Care Pathways,14, 23–26.
  8. Lin, D. Y., Wei, L. J., Ying, Z., (1993). “Checking the Cox Model with Cumulative Sums of Martingale-Based Residuals”, Biometrika, 80, 3, 557-572.
  9. Nardi, A., Schemper, M., (1999). “New Residuals for Cox Regression and Their Application to Outlier Screening”, Biometrics, 55, 2, 523-529.
  10. Nardi, A., Schemper, M., (2003). “Comparing Cox and Parametric Models in Clinical Studies”, Statistics in Medicine, 22, 3597-3610.
  11. Noh, N. A., (2010). De