事件歷史分量回歸分析於復發間隔時間資料

Event-history Quantile Regression Analysis for Recurrent Gap Time Data

楊季超(Chi-Chao Yang)

指導教授 ： 張淑惠

國立臺灣大學/公共衛生學院/流行病學與預防醫學研究所/碩士(2017年)

https://doi.org/10.6342/NTU201703916

摘要

對於慢性疾病如憂鬱症而言，隨著時間的推移，病患可能會經歷多次病狀的復發，因此，每兩個連續相同事件發生的時間間距稱之為復發間隔時間。而探討共變項對於復發間隔時間的影響，則往往是流行病學及醫學的長期追蹤研究中重要的議題。
對於同一個體而言，不同復發間隔時間可能存在著相關性，由於間隔時間之設限時間定義為從初始事件到追踪結束的觀察時間減去之前所有間隔時間的總和，即使觀察時間與序列的復發間隔時間獨立的情況下，對於第二次或之後的間隔時間與其定義之設限時間仍不獨立，稱之為誘導相依設限。
在本研究中，利用分量回歸來分析復發間隔時間資料，並將事件歷史作為共變項納入回歸中以處理誘導相依設限的問題。由於不同復發序次間，共變項對間隔時間的影響可能為相異或相同，因此在文中就共變項為序次效應(episode-specific effect)及共同效應(common effect)兩種情境，個別提出不同的估計方法。模擬將用來比較共同效應下兩種方法的估計精確性及估計效率，並最後將分析一筆實際資料作為演示。

關鍵字

序次效應 ； 事件歷史 ； 間隔時間 ； 誘導相依設限 ； 復發事件

並列摘要

無資料

並列關鍵字

Episode-specific effect ； Event history ； Gap time ； Induced dependent censoring ； Recurrent event

參考文獻

Cook, R. J., Lawless, J. (2007). The statistical analysis of recurrent events. Springer Science Business Media.

Cox, D. R. (1972). Regression Models and Life-Tables. Journal of the Royal Statistical Society. Series B (Methodological), 34(2), 187-220.

Koenker, R. (2006). Quantile regresssion. Encyclopedia of environmetrics.

Koenker, R. (2008). Censored quantile regression redux. Journal of Statistical Software, 27(6), 1-25.

Luo, X., Huang, C. Y. (2011). Analysis of recurrent gap time data using the weighted risk‐set method and the modified within‐cluster resampling method. Statistics in medicine, 30(4), 301-311.