Einführung in die Survival-Analyse (Modul: Methoden II)
|
|
- Petra Graf
- vor 5 Jahren
- Abrufe
Transkript
1 Einführung in die Survival-Analyse (Modul: Methoden II) ROLAND RAU Universität Rostock, Sommersemester Juni 2013 c Roland Rau Survival-Analyse 08. Sitzung 1 / 22
2 Vergangene Woche Testat Eintragen von Teams & Themen Diese Woche (und die nächsten Wochen): Regression in der Survivalanalyse c Roland Rau Survival-Analyse 08. Sitzung 2 / 22
3 Einführung: Was ist methodisch falsch im Artikel von Epstein & Epstein (2013)? c Roland Rau Survival-Analyse 08. Sitzung 3 / 22
4 Klassisches Regressionmodell: y i = a + bx i c Roland Rau Survival-Analyse 08. Sitzung 4 / 22
5 Klassisches Regressionmodell: y i = a + bx i oder mit mehr Kovariaten y i = a + bx 1,i + cx 2,i +... c Roland Rau Survival-Analyse 08. Sitzung 5 / 22
6 Klassisches Regressionmodell in Matrixnotation: y 1 1 x 1,1 x 1,2... x 1,p β 1 ɛ 1 y 2 1 x 2,1 x 2,2... x 2,p β 2 ɛ 2 y 3 1 x 3,1 x 3,2... x 3,p β 3 ɛ 3 y 4 = 1 x 4,1 x 4,2... x 4,p β 4 + ɛ y n 1 x n,1 x n,2... x n,p β n ɛ n Y = Xβ + ɛ c Roland Rau Survival-Analyse 08. Sitzung 6 / 22
7 Klassisches Regressionmodell: y i = a + bx i +... Y = Xβ + ɛ Regressionsmodelle in der Survivalanalyse: Proportional Hazards Modelle Accelerated Failure Time Modelle Additive Hazards Modelle Wir behandeln hier nur Proportional Hazards Modelle (diese sind in den Sozialwissenschaften auch die gebräuchlichsten Survival Modelle) c Roland Rau Survival-Analyse 08. Sitzung 7 / 22
8 Survival Regression: Generelle Form h(t X) = h 0 (t) e β 1x 1 +β 2 x h 0 (t) bezeichnet den sogenannten Baseline Hazard die Kovariaten x 1, x 2,... verschieben h 0 (t) proportional nach oben oder unten. Die e-funktion wird primär dazu verwendet, um sicherzustellen, dass der Term positiv ist und bleibt. c Roland Rau Survival-Analyse 08. Sitzung 8 / 22
9 Häufiges Interesse: Hazard Ratio (einfaches Beispiel: Geschlecht) HR = h(t x = 1) h(t x = 0) = h 0(t)e β 1x h 0 (t)e β 1x = eβ 1x e β 1x = eβ 1x (da x = 0). c Roland Rau Survival-Analyse 08. Sitzung 9 / 22
10 Numerisches Beispiel: Wolpertinger (reloaded) > wolpi <- read.table("wolpertingerneu.txt", header=true) > head(wolpi) zeit sex cens > table(wolpi$sex) > mit wolpi$sex=1 für männliche Wolpertinger und wolpi$sex=2 für weibliche Wolpertinger. c Roland Rau Survival-Analyse 08. Sitzung 10 / 22
11 Numerisches Beispiel: Wolpertinger (reloaded) Im Gegensatz zur bisherigen Herangehensweise wollen wir nun nicht nur den Parameter λ der Exponentialverteilung schätzen sondern auch noch einen Parameter, der die männliche Übersterblichkeit misst. D.h. der Baseline-Hazard bleibt weiterhin λ; berücksichtigt unser Modell jedoch die Variable Geschlecht, so wird daraus: h(t) = h 0e βx = λe βx und aus der Survivalkurve ohne Kovariate(n): S(t) = e λt wird mit Kovariate(n): S(t) = e λeβx t Was wird nun aus der Likelihood-Funktion? L (θ x) = i f (...) i S (...) wobei der Parameter-Vektor θ aus den beiden Komponenten λ und x (für das Geschlecht) besteht; i bezeichnet das i-te Individuum und sowie diejenigen beschreibt, die gestorben sind bzw. die überlebt haben. c Roland Rau Survival-Analyse 08. Sitzung 11 / 22
12 Numerisches Beispiel: Wolpertinger (reloaded) Nun wissen wir auch noch: Daher können wir einsetzen: L (θ x) = i h(t) = f (t) f (t) = h(t)s(t) S(t) f (...) i S (...) = h (...) S (...) S (...) i i i = h (...) S (...) i alle = in unserem Falle der Exponentialverteilung : = λe βx e λeβx t i alle Und nun als Log-Likelihood: L (θ x) = i ((ln λ + βx) δ) + i ( ) λe βx t c Roland Rau Survival-Analyse 08. Sitzung 12 / 22
13 Numerisches Beispiel: Wolpertinger (reloaded) L (θ x) = i ((ln λ + βx) δ) + i ( λe βx ) t In R (da optim automatisch minimiert, berechnen wir einfach die negative Log-Likelihood-Funktion) geschlecht <- ifelse(wolpisex==1, 1, 0) loglike <- function(theta, t, covariate,delta) { lambda <- theta[1] beta <- theta[2] return(-(sum( (log(lambda) + beta*covariate)*delta) + sum(-lambda * exp(beta * covariate) * t))) } ergebnis <- optim(par=c(0.5, 1.2), fn=loglike, t=wolpi$zeit, delta=wolpi$cens, covariate=geschlecht) ergebnis > ergebnis $par [1] $value [1] $counts function gradient 71 NA $convergence [1] 0 $message NULL c Roland Rau Survival-Analyse 08. Sitzung 13 / 22
14 Numerisches Beispiel: Wolpertinger (reloaded) Wie interpretieren wir nun diese Ergebnisse? > ergebnis $par [1] Da wir die Variable x so gewählt haben, dass für das weibliche Geschlecht x = 0 gilt, so erkennen wir: h(t) = h 0 e βx = h 0 e β0 = h 0 e 0 = h 0 dass der Baseline-Hazard λ = dem Hazard der Frauen entspricht. Dieser wird bei Männern um den Faktor h(t) = h 0 e βx = h 0 e β1 = h 0 e = h erhöht. Das Hazard Ratio beträgt damit: HR = h 0(t)e β 1 x h 0 (t)e β 1 x = h β 0(t)e 1 x = e β 1 x = h 0 (t) Das bedeutet, dass in unserem Modell Männer in jeder Altersstufe ein in etwa 30% höheres Sterberisiko als Frauen besitzen ( %). c Roland Rau Survival-Analyse 08. Sitzung 14 / 22
15 Doch was machen wir, wenn wir keine Ahnnug bezüglich der Verteilung haben? Das Cox-Modell! nach Prof. Sir David Roxbee COX, FRS, FBA ( 15 Juli 1924, Oxford) Original-Artikel: COX, D. R. (1972). Regression models and life-tables. Journal of the Royal Statistical Society. Series B (Methodological) 34(2), pp c Roland Rau Survival-Analyse 08. Sitzung 15 / 22
16 Das Cox-Proportional-Hazards-Model: Besonderheit: Baseline-Hazard bleibt unspezifiziert Schätzung mittels Partial Likelihood Details zur Schätzung: Das Original: Cox (1972) Das Lehrbuch von Cox: Cox and Oakes (1984) Unser Lehrbuch: Klein and Moeschberger (2003) c Roland Rau Survival-Analyse 08. Sitzung 16 / 22
17 Schätzung in R des Cox-Models: # wie bisher: das Paket survival importieren library(survival) #wie bisher: Definition des Survival-Objekts sobj <- Surv(wolpi$zeit, wolpi$cens) # Umwandlung der Variable Geschlecht in eine kategoriale Variable: sex <- relevel(as.factor(wolpi$sex), ref=2) # Alternativ: Die eigene Umkodierung in eine Dummy-Variables geschlecht <- ifelse(wolpi$sex==1, 1, 0) coxph(sobj ~ sex) coxph(sobj ~ geschlecht) > coxph(sobj ~ sex) Call: coxph(formula = sobj ~ sex) coef exp(coef) se(coef) z p sex Likelihood ratio test=5.29 on 1 df, p= n= 1000, number of events= 343 > coxph(sobj ~ geschlecht) Call: coxph(formula = sobj ~ geschlecht) coef exp(coef) se(coef) z p geschlecht Likelihood ratio test=5.29 on 1 df, p= n= 1000, number of events= 343 > c Roland Rau Survival-Analyse 08. Sitzung 17 / 22
18 Nächste Veranstaltung: Das Cox-Modell mit unseren Daten Wie problematisch ist die Proportionalitätsannahme? Was tun, wenn die Proportionalitätsannahme verletzt ist? c Roland Rau Survival-Analyse 08. Sitzung 18 / 22
19 Vielen Dank für Ihre Aufmerksamkeit! c Roland Rau Survival-Analyse 08. Sitzung 19 / 22
20 Cox, D. and D. Oakes (1984). Analysis of Survival Data. London, UK: Chapman & Hall. Cox, D. R. (1972). Regression models and life-tables. Journal of the Royal Statistical Society. Series B (Methodological) 34(2), pp Epstein, C. and R. Epstein (2013). Death in the new york times: the price of fame is a faster flame. QJM 106(6), Klein, J. P. and M. L. Moeschberger (2003). Survival Analysis : Techniques for Censored and Truncated Data. Statistics for Biology and Health. New York, NY: Springer. c Roland Rau Survival-Analyse 08. Sitzung 20 / 22
21 Lizenz This open-access work is published under the terms of the Creative Commons Attribution NonCommercial License 2.0 Germany, which permits use, reproduction & distribution in any medium for non-commercial purposes, provided the original author(s) and source are given credit. Für ausführlichere Informationen: (Deutsch) (English) c Roland Rau Survival-Analyse 08. Sitzung 21 / 22
22 Kontakt Universität Rostock Institut für Soziologie und Demographie Lehrstuhl für Demographie Ulmenstr Rostock Germany Tel.: Fax.: Sprechstunde im Sommersemester 2013: Mittwochs, 09:00 10:00 (und nach Vereinbarung) c Roland Rau Survival-Analyse 08. Sitzung 22 / 22
Einführung in die Survival-Analyse (Modul: Methoden II)
Einführung in die Survival-Analyse (Modul: Methoden II) ROLAND RAU Universität Rostock, Sommersemester 2013 18. Juni 2013 c Roland Rau Survival-Analyse 10. Sitzung 1 / 15 Gruppeneinteilung Kurzvorstellung
MehrEinführung in die Survival-Analyse (Modul: Methoden II)
Einführung in die Survival-Analyse (Modul: Methoden II) ROLAND RAU Universität Rostock, Sommersemester 2013 30. April 2013 c Roland Rau Survival-Analyse 03. Sitzung 1 / 32 Anwendungsbeispiel: Exponentialverteilung
MehrSurvival Analysis (Modul: Lebensdaueranalyse)
Survival Analysis (Modul: Lebensdaueranalyse) ROLAND RAU Universität Rostock, Sommersemester 2015 05. Mai 2015 c Roland Rau Survival Analysis 1 / 18 Zensierung & Trunkierung: Nicht vollständig beobachtete
MehrSurvival Analysis (Modul: Lebensdaueranalyse)
Survival Analysis (Modul: Lebensdaueranalyse) ROLAND RAU Universität Rostock, Sommersemester 2014 06. Mai 2014 c Roland Rau Survival Analysis 1 / 23 Fehler in Folie 7 der ersten Veranstaltung Statistische
MehrReferences. Demographie IV ROLAND RAU. Universität Rostock, Sommersemester Juni c Roland Rau Demographie IV 1 / 20
Demographie IV ROLAND RAU Universität Rostock, Sommersemester 2013 03. Juni 2013 c Roland Rau Demographie IV 1 / 20 Vergangene Veranstaltung Schätzung der Wachstumsrate r in der stetigen Betrachtungsweise
MehrEinführung in die formale Demographie
Einführung in die formale Demographie ROLAND RAU Universität Rostock, Wintersemester 2014/2015 26 Januar 2015 c Roland Rau Einführung in die formale Demographie 1 / 10 Wichtige Themen Übersicht I Bevölkerungsbilanzgleichung
MehrEinführung in die Survival-Analyse (Modul: Methoden II)
Einführung in die Survival-Analyse (Modul: Methoden II) ROLAND RAU Universität Rostock, Sommersemester 2013 02. April 2013 c Roland Rau Survival-Analyse 01. Sitzung 1 / 21 Formalia & Übersicht Seminar:
MehrReferences. Demographie IV ROLAND RAU. Universität Rostock, Sommersemester Mai c Roland Rau Demographie IV 1 / 20
Demographie IV ROLAND RAU Universität Rostock, Sommersemester 2013 27. Mai 2013 c Roland Rau Demographie IV 1 / 20 Ankündigung Ehrenpromotion Karl Ulrich Mayer am 29. Mai 2013 um 14h Festveranstaltung
MehrReferences. Demographie IV ROLAND RAU. Universität Rostock, Sommersemester Juni c Roland Rau Demographie IV 1 / 19
Demographie IV ROLAND RAU Universität Rostock, Sommersemester 2013 10. Juni 2013 c Roland Rau Demographie IV 1 / 19 Vergangene Woche Dekomposition der rohen Sterbeziffer ( Crude Death Rate, CDR) zwischen
MehrMortalitätsanalyse (ehemals: Allgemeine Demographie III)
Mortalitätsanalyse (ehemals: Allgemeine Demographie III) ROLAND RAU Universität Rostock, Wintersemester 2013/2014 28. Januar 2014 Roland Rau Mortalitätsanalyse 1 / 9 Semesterübersicht, Mortalitätsanalyse
MehrForschungspraktikum: Krebssterblichkeit in den USA
Forschungspraktikum: Krebssterblichkeit in den USA ROLAND RAU Universität Rostock, Wintersemester 2014/2015 21. Oktober 2014 Roland Rau Forschungspraktikum: Krebssterblichkeit in den USA 1 / 18 Interessante,
MehrSurvival Analysis (Modul: Lebensdaueranalyse)
Survival Analysis (Modul: Lebensdaueranalyse) ROLAND RAU Universität Rostock, Sommersemester 2014 01. April 2014 c Roland Rau Survival Analysis 1 / 20 Formalia & Übersicht Seminar: wöchentlich um 09:15
MehrDemographie I ROLAND RAU, GABRIELE DOBLHAMMER. 19. Dezember Universität Rostock, Wintersemester 2012/2013. References
Demographie I ROLAND RAU, GABRIELE DOBLHAMMER Universität Rostock, Wintersemester 2012/2013 19. Dezember 2012 Beginn der Vorlesung: Wiederholung der wichtigsten Aspekte der Vorlesung vom 12.12.2012. Heutiges
MehrSurvival Analysis (Modul: Lebensdaueranalyse)
Survival Analysis (Modul: Lebensdaueranalyse) ROLAND RAU Universität Rostock, Sommersemester 2014 22. April 2014 c Roland Rau Survival Analysis 1 / 23 Erinnerung: Prüfungsmodalitäten Nr. Termine evtl.
MehrEinführung in die formale Demographie
Einführung in die formale Demographie ROLAND RAU Universität Rostock, Wintersemester 2014/2015 17. November 2014 c Roland Rau Einführung in die formale Demographie 1 / 36 Vergangene Vorlesung: Abschluss:
MehrEinführung in die formale Demographie
Einführung in die formale Demographie ROLAND RAU Universität Rostock, Wintersemester 2014/2015 01. Dezember 2014 c Roland Rau Einführung in die formale Demographie 1 / 19 Vergangene Vorlesung Annahmen
MehrEinführung in die Survival-Analyse (Modul: Methoden II)
Einführung in die Survival-Analyse (Modul: Methoden II) ROLAND RAU Universität Rostock, Sommersemester 2013 14. Mai 2013 c Roland Rau Survival-Analyse 06. Sitzung 1 / 23 Hinweis: Interview mit Prof. Matthias
MehrReferences. Demographie IV ROLAND RAU. Universität Rostock, Sommersemester Juli c Roland Rau Demographie IV 1/16
Demographie IV ROLAND RAU Universität Rostock, Sommersemester 2013 8. Juli 2013 c Roland Rau Demographie IV 1/16 Erstellen von Übergangsmatrizen Leslie-Matrix Interpretation: dominanter Eigenwert (λ 1
MehrDemographie III ROLAND RAU. 06. Januar Universität Rostock, Wintersemester 2013/2014. c Roland Rau Demographie III 1 / 20
Demographie III ROLAND RAU Universität Rostock, Wintersemester 2013/2014 06. Januar 2014 c Roland Rau Demographie III 1 / 20 Vergangene Vorlesung Langfristige Dynamik im stabilen Modell dominanter Eigenwert
MehrSurvival Analysis (Modul: Lebensdaueranalyse)
Survival Analysis (Modul: Lebensdaueranalyse) ROLAND RAU Universität Rostock, Sommersemester 2015 12. Mai 2015 c Roland Rau Survival Analysis 1 / 24 Hausaufgabe 1 Schreiben Sie die Log-Likelihood Gleichung
MehrEinführung in die formale Demographie
Einführung in die formale Demographie ROLAND RAU Universität Rostock, Wintersemester 2014/2015 08. Dezember 2014 c Roland Rau Einführung in die formale Demographie 1 / 27 Vergangene Vorlesung Berechnung
MehrAnforderungen der demografischen Forschung an Daten zur Mortalität
Anforderungen der demografischen Forschung an Daten zur Mortalität ROLAND RAU 1,2 1 Universität Rostock, 2 Max-Planck-Institut für demografische Forschung 15. Februar 2017 c Roland Rau, Uni Rostock & MPIDR
MehrDemographie III ROLAND RAU. 14. Oktober Universität Rostock, Wintersemester 2013/2014. c Roland Rau Demographie III 1 / 29
Demographie III ROLAND RAU Universität Rostock, Wintersemester 2013/2014 14. Oktober 2013 c Roland Rau Demographie III 1 / 29 Organisatorisches: Demographie III Demographie III Vorlesung: Montag 07:30
MehrMortalitätsanalyse (ehemals: Allgemeine Demographie III)
Mortalitätsanalyse (ehemals: Allgemeine Demographie III) ROLAND RAU Universität Rostock, Wintersemester 2013/2014 12. November 2013 c Roland Rau Mortalitätsanalyse 1 / 21 Erinnerung: Paneldiscussion 19.
MehrEinführung in die formale Demographie
Einführung in die formale Demographie ROLAND RAU Universität Rostock, Wintersemester 2014/2015 19 Januar 2015 c Roland Rau Einführung in die formale Demographie 1 / 32 Vergangene Veranstaltung Durchschnittliches
MehrSurvival Analysis (Modul: Lebensdaueranalyse)
Survival Analysis (Modul: Lebensdaueranalyse) ROLAND RAU Universität Rostock, Sommersemester 2015 19. Mai 2015 Roland Rau Survival Analysis 1 / 26 Nächste & übernächste Woche Nächste Woche: Projektwoche
MehrMortalitätsanalyse (ehemals: Allgemeine Demographie III)
Mortalitätsanalyse (ehemals: Allgemeine Demographie III) ROLAND RAU Universität Rostock, Wintersemester 2013/2014 14. Januar 2014 Roland Rau Mortalitätsanalyse 1 / 24 Vergangene & Heutige Veranstaltung
MehrÜberlebenszeitanalyse. Tempus neminem manet
Überlebenszeitanalyse Tempus neminem manet Remissionsdauer bei Leukämie Die Wirksamkeit des Medikaments 6-Mercaptopurin (6-MP) wurde in einer placebokontrollierten Studie an 42 Kindern mit akuter Leukämie
MehrWeiterführende formale Demographie
Weiterführende formale Demographie ROLAND RAU Universität Rostock, Sommersemester 2015 20. April 2015 c Roland Rau Weiterführende formale Demographie 1 / 21 Vergangene Woche Wiederholung wichtiger Konzepte
MehrReferences. Demographie IV ROLAND RAU. Universität Rostock, Sommersemester Juli c Roland Rau Demographie IV 1 / 23
Demographie IV ROLAND RAU Universität Rostock, Sommersemester 2013 01. Juli 2013 c Roland Rau Demographie IV 1 / 23 EINLADUNG Das Rektorat, die Fakultäten und die Gesellschaft der Förderer der Universität
MehrForschungspraktikum: Krebssterblichkeit in den USA
Forschungspraktikum: Krebssterblichkeit in den USA ROLAND RAU Universität Rostock, Wintersemester 2014/2015 14. Oktober 2014 Roland Rau Forschungspraktikum: Krebssterblichkeit in den USA 1 / 19 Tutoren
MehrDemographie III ROLAND RAU. 20. Januar Universität Rostock, Wintersemester 2013/2014. c Roland Rau Demographie III 1 / 35
Demographie III ROLAND RAU Universität Rostock, Wintersemester 2013/2014 20. Januar 2014 c Roland Rau Demographie III 1 / 35 Themen vergangene Vorlesung (13. Januar 2014): Berechnung des durchschnittlichen
MehrLogistische Regression I. Odds, Logits, Odds Ratios, Log Odds Ratios
Logistische Regression I. Odds, Logits, Odds Ratios, Log Odds Ratios PD Dr.Gabriele Doblhammer, Fortgescrittene Methoden, SS2004 Logistische Regression Tabelle 2 Alter und Symptome von Herz-/Kreislauferkrankung(CD)
MehrSurvival Analysis (Modul: Lebensdaueranalyse)
Survival Analysis (Modul: Lebensdaueranalyse) ROLAND RAU Universität Rostock, Sommersemester 2015 21. April 2015 c Roland Rau Survival Analysis 1 / 35 Veranstaltung nächste Woche entfällt. Lehrstuhl Demographie
MehrEinführung in die formale Demographie
Einführung in die formale Demographie ROLAND RAU Universität Rostock, Wintersemester 2014/2015 13. Oktober 2014 c Roland Rau Einführung in die formale Demographie 1 / 37 Organisatorisches: Einführung in
MehrVergleich von Partial Cox Regression und Lasso zur Analyse von U berlebenszeiten bei hochdimensionalen Daten
Vergleich von Partial Cox Regression und Lasso zur Analyse von U berlebenszeiten bei hochdimensionalen Daten Claudia-Martina Messow Robertson Centre for Biostatistics, University of Glasgow Situation Methoden
MehrMortalitätsanalyse MARCUS EBELING. 29. Oktober Universität Rostock, Wintersemester 2013/2014. c Marcus Ebeling Mortalitätsanalyse 1 / 33
Mortalitätsanalyse MARCUS EBELING Universität Rostock, Wintersemester 2013/2014 29. Oktober 2013 c Marcus Ebeling Mortalitätsanalyse 1 / 33 Organisatorisches Die Vorlesung am 5.11. entfällt wegen der StuRa-Vollversammlung,
MehrStatistische Analyse von Ereigniszeiten II
Statistische Analyse von Analysis VO Biostatistik im WS 2006/2007 1 : Daten zur Nephrektomie 2 3 4 : Daten zur Nephrektomie Studie zur Untersuchung der Wirksamkeit der Nephrektomie (Nierenentfernung) bei
MehrReferences. Demographie IV ROLAND RAU. Universität Rostock, Sommersemester Juli c Roland Rau Demographie IV 1 / 27
Demographie IV ROLAND RAU Universität Rostock, Sommersemester 2014 07. Juli 2014 c Roland Rau Demographie IV 1 / 27 Vergangene Woche: Sterblichkeit und a) Familienstand und b) SES Erklärungen für Sterblichkeit
Mehr8 Allgemeine Modelle & Robuste Regression
8.1 Allgemeines Lineares Regressions-Modell 182 8 Allgemeine Modelle & Robuste Regression 8.1 Allgemeines Lineares Regressions-Modell a Modell. Y i F µ i, γ, g µ i = η i = x T i β b Weibull-Verteilung.
MehrReferences. Demographie IV ROLAND RAU. Universität Rostock, Sommersemester Juli c Roland Rau Demographie IV 1 / 24
Demographie IV ROLAND RAU Universität Rostock, Sommersemester 2013 08. Juli 2013 c Roland Rau Demographie IV 1 / 24 Vergangene Woche: SES Jeder Indikator misst einen anderen Aspekt des SES Beruf: z.b.
MehrPrüfung im Fach Mikroökonometrie im Sommersemester 2014 Aufgaben
Lehrstuhl für Statistik und empirische Wirtschaftsforschung Prof. Regina T. Riphahn, Ph.D. Prüfung im Fach Mikroökonometrie im Sommersemester 014 Aufgaben Vorbemerkungen: Anzahl der Aufgaben: Bewertung:
MehrKommentierter SPSS-Output für hierarchische log-lineare Modelle (Modul Modellauswahl) 3 Dimensionen
Kommentierter SPSS-Output für hierarchische log-lineare Modelle (Modul Modellauswahl) 3 Dimensionen Hierarchisches log-lineares Modell: Saturiertes Modell (SPSS-Modul Modellauswahl ) HILOGLINEAR polview(1
MehrBasis-Kurs Statistik und SPSS für Mediziner Lösungen. SPSS-Übung Überlebenszeitanalyse
Basis-Kurs Statistik und SPSS für Mediziner Lösungen SPSS-Übung Überlebenszeitanalyse Mit Datensatz Daten_Übung_Überlebenszeitanalyse.sav 1) Zeichnen Sie die Kaplan-Meier-Kurven des progressionsfreien
MehrEin exakter Test für die Meta-Analyse von Studien mit binären Endpunkten. Oliver Kuß, Cora Gromann
Ein exakter Test für die Meta-Analyse von Studien mit binären Endpunkten Oliver Kuß, Cora Gromann Institut für Medizinische Epidemiologie, Biometrie und Informatik, Universität Halle-Wittenberg, Halle
MehrSurvival Analysis. December 6, 2007
Survival Analysis René Böheim Rene.Boeheim@jku.at December 6, 2007 Basierend auf Cleves, Gould, and Gutierrez (2004), An Introduction to Survival Analysis using Stata, Revised Edition, Stata Press, Texas.
MehrÜbungsklausur Lineare Modelle. Prof. Dr. H. Toutenburg
Übungsklausur Lineare le Prof. Dr. H. Toutenburg Aufgabe Ein lineares Regressionsmodell mit der abhängigen Variablen Körpergröße und der unabhängigen Variablen Geschlecht wurde einmal mit der dummykodierten
MehrWillkommen zur Vorlesung Statistik (Master)
Willkommen zur Vorlesung Statistik (Master) Thema dieser Vorlesung: Verteilungen stetiger Zufallsvariablen Prof. Dr. Wolfgang Ludwig-Mayerhofer Universität Siegen Philosophische Fakultät, Seminar für Sozialwissenschaften
MehrFragen zum zweiten Teil der Vorlesung
Albert-Ludwigs-Universität Freiburg Ökonometrie (Bachelor) Lehrstuhl Prof. Fitzenberger, Ph.D. WS 2011/12 Fragen zum zweiten Teil der Vorlesung 1. Es soll geprüt werden, ob das obere Quartil (das 75%-Quantil)
MehrFortgeschrittene Ökonometrie: Maximum Likelihood
Universität Regensburg, Lehrstuhl für Ökonometrie Sommersemester 202 Fortgeschrittene Ökonometrie: Maximum Likelihood Poissonverteilung Man betrachte die poisson-verteilten Zufallsvariablen y t, t =, 2,...,
MehrEinführung in die Induktive Statistik: Regressionsanalyse
Einführung in die Induktive Statistik: Regressionsanalyse Jan Gertheiss LMU München Sommersemester 2011 Vielen Dank an Christian Heumann für das Überlassen von TEX-Code! Regressionsanalyse Ziel: Analyse
MehrEinführung in die formale Demographie Übung
Einführung in die formale Demographie Übung Roland Rau mailto:roland.rau@uni-rostock.de 27. Oktober 2014 Inhaltsverzeichnis 1 Eigene Funktionen schreiben 2 2 Regression in R 3 3 Aufgaben 8 3.1 Schreiben
MehrGrundzüge der Ereignisdatenanalyse
Grundzüge der Ereignisdatenanalyse Regressionsmodelle Sommersemester 2009 Regressionsmodelle Event History Analysis (1/48) Übersicht Exponential- und Weibull-Modell Weitere Modelle Regressionsmodelle Event
MehrReferences. Demographie IV ROLAND RAU. Universität Rostock, Sommersemester Juni c Roland Rau Demographie IV 1 / 27
Demographie IV ROLAND RAU Universität Rostock, Sommersemester 2014 30. Juni 2014 c Roland Rau Demographie IV 1 / 27 Vergangene Veranstaltung Cause-Elimination Life Tables Fragestellung: Wie würde sich
MehrWeiterführende formale Demographie
Weiterführende formale Demographie ROLAND RAU Universität Rostock, Sommersemester 2015 13. Juli 2015 c Roland Rau Weiterführende formale Demographie 1 / 24 Herzliche Einladung an alle Interessierten zum
MehrStochastik Praktikum Lineare Modelle
Stochastik Praktikum Lineare Modelle Thorsten Dickhaus Humboldt-Universität zu Berlin 06.10.2010 Übersicht 1 Einfache lineare Regression 2 Multiple lineare Regression 3 Varianzanalyse 4 Verallgemeinerte
MehrSimulation von Überlebenszeiten mit Hilfe von SAS
Simulation von Überlebenszeiten mit Hilfe von SAS Statistik Ralf Bender Institut für Qualität und Wirtschaftlichkeit im Gesundheitswesen (IQWiG) Dillenburger Straße 27 51105 Köln Ralf.Bender@iqwig.de Zusammenfassung
Mehr2. Fehlerhafte Auswahl der exogenen Variablen (Verletzung der A1-Annahme)
2. Fehlerhafte Auswahl der exogenen Variablen (Verletzung der A1-Annahme) Annahme A1: Im multiplen Regressionsmodell fehlen keine relevanten exogenen Variablen und die benutzten exogenen Variablen x 1,
MehrSeminar zur Energiewirtschaft:
Seminar zur Energiewirtschaft: Ermittlung der Zahlungsbereitschaft für erneuerbare Energien bzw. bessere Umwelt Vladimir Udalov 1 Modelle mit diskreten abhängigen Variablen 2 - Ausgangssituation Eine Dummy-Variable
MehrLeast Absolute Shrinkage And Seletion Operator (LASSO)
Least Absolute Shrinkage And Seletion Operator (LASSO) Peter von Rohr 20 März 2017 Lineare Modell und Least Squares Als Ausgangspunkt haben wir das Lineare Modell und Least Squares y = Xβ + ɛ (1) ˆβ =
MehrKap. 2: Generalisierte lineare Modelle (GLMs) Lineare und generalisierte lineare Modelle Schätzung und Inferenz in GLMs Literatur
Kap. 2: Generalisierte lineare Modelle (GLMs) Lineare und generalisierte lineare Modelle Schätzung und Inferenz in GLMs Literatur 2.1 Lineare und generalisierte lineare Modelle Das klassische lineare Regressionsmodell
MehrDemographie I ROLAND RAU. 29. Januar Universität Rostock, Wintersemester 2013/2014. c Roland Rau Demographie I 1 / 16
Demographie I ROLAND RAU Universität Rostock, Wintersemester 2013/2014 29. Januar 2014 c Roland Rau Demographie I 1 / 16 Vorlesung: 16.10.2013 Was ist Demographie? Bevölkerungsbilanzgleichung Die drei
Mehr5 Allgemeine Verfahren zum Testen von Hypothesen
5 Allgemeine Verfahren zum Testen von Hypothesen 5.1 Likelihood Schätzung für multivariate Daten Statistisches Modell: Einfache Zufallsstichprobe X 1,..., X n (unabhängige Wiederholungen von X IR d ).
MehrPrüfung im Fach Mikroökonometrie im Wintersemester 2012/13 Aufgaben
Lehrstuhl für Statistik und empirische Wirtschaftsforschung Prof. Regina T. Riphahn, Ph.D. Prüfung im Fach Mikroökonometrie im Wintersemester 2012/13 Aufgaben Vorbemerkungen: Anzahl der Aufgaben: Bewertung:
MehrSBWL Tourismusanalyse und Freizeitmarketing
SBWL Tourismusanalyse und Freizeitmarketing Vertiefungskurs 4: Multivariate Verfahren 2 Teil 3: Mischmodelle / Modellgestützte Clusteranalyse Achim Zeileis & Thomas Rusch Institute for Statistics and Mathematics
MehrSBWL Tourismusanalyse und Freizeitmarketing
SBWL Tourismusanalse und Freizeitmarketing Vertiefungskurs 4: Multivariate Verfahren 2 Teil 3: Mischmodelle / Modellgestützte Clusteranalse Achim Zeileis Department of Statistics and Mathematics FleMi
MehrLogistische Regression
Logistische Regression Werner Brannath VO Biostatistik im WS 2006/2007 Inhalt Logistische Regression Beispiel 1: Herzerkrankungsdaten aus Framingham Log Odds Modell Beispiel 1: Einfluss von Blutdruck Maximum
MehrEinführung in die Demographie
Einführung in die Demographie ROLAND RAU Universität Rostock, Wintersemester 2014/2015 28. Januar 2015 c Roland Rau Einführung in die Demographie 1 / 18 Hinweis: Die Tutorensprechstunde für die Vorlesung
MehrAfter Work Statistics
After Work Statistics Maja Krajewska Institute of Biometry and Clinical Epidemiology maja.krajewska@charite.de U N I V E R S I T Ä T S M E D I Z I N B E R L I N Institut für Biometrie und klinische Epidemiologie
MehrLineare Regression. Kapitel Regressionsgerade
Kapitel 5 Lineare Regression 5 Regressionsgerade Eine reelle Zielgröße y hänge von einer reellen Einflussgröße x ab: y = yx) ; zb: Verkauf y eines Produkts in Stückzahl] hängt vom Preis in e] ab Das Modell
MehrVerallgemeinerte lineare Modelle. Promotion. Promotion. Methoden empirischer Sozialforschung. 1 binäre und mehrere metrische und kategoriale Variablen
Verallgemeinerte lineare Modelle 1 binäre und mehrere metrische und kategoriale Variablen Methoden empirischer Sozialforschung Verallgemeinerte lineare Modelle () Wie läßt sich die Abhängigkeit der Erfolgswahrscheinlichkeit
MehrGeometrie. Ingo Blechschmidt. 4. März 2007
Geometrie Ingo Blechschmidt 4. März 2007 Inhaltsverzeichnis 1 Geometrie 2 1.1 Geraden.......................... 2 1.1.1 Ursprungsgeraden in der x 1 x 2 -Ebene.... 2 1.1.2 Ursprungsgeraden im Raum..........
MehrMusterwandel Sortenwandel. Sp r a che in Kom m unik a t ion
Stefan Hauser ist Co-Leiter des Zentrums Mündlichkeit an der Pädagogischen Hochschule Zug. Seine Arbeitsschwerpunkte liegen im Bereich der Text- und Medienlinguistik, des Spracherwerbs, der Gesprächsanalyse
MehrBayesian updating in natural hazard risk assessment
International Forum on Engineering Decision Making, Third IFED Forum, Shoal Bay, Australia, 12-15 15 December 2007 1/23 Bayesian updating in natural hazard risk assessment Mathias Graf, Kazuyoshi Nishijima,
MehrStatistik II für Betriebswirte Vorlesung 11
Statistik II für Betriebswirte Vorlesung 11 Dr. Andreas Wünsche TU Bergakademie Freiberg Institut für Stochastik 07. Januar 2019 Dr. Andreas Wünsche Statistik II für Betriebswirte Vorlesung 11 Version:
Mehrx t2 y t = 160, y = 8, y y = 3400 t=1
Aufgabe 1 (25 Punkte) 1. Eine Online Druckerei möchte die Abhängigkeit des Absatzes gedruckter Fotos vom Preis untersuchen. Dazu verwendet die Firma das folgende lineare Regressionsmodell: wobei y t =
MehrEin relatives Überlebenszeitmodell für korrelierte Beobachtungen. Oliver Kuß
Ein relatives Überlebenszeitmodell für korrelierte Beobachtungen Oliver Kuß Institut für Medizinische Epidemiologie, Biometrie und Informatik, Medizinische Fakultät, Martin-Luther-Universität Halle-Wittenberg,
MehrMultivariate Analyse: Einführung in das COX-Modell
Auswertung Multivariate Analyse: Einführung in das COX-Modell Deskriptive Statistik Häufigkeiten, Univariate Statistiken, Explorative Datenanalyse, Kreuztabellen) Induktive Statistik, Vergleich von Mittelwerten
MehrSurvivor-Analyse und Ereignisanalyse
Dr. Gert Hullen, Bundesinstitut für Bevölkerungsforschung beim Statistischen Bundesamt, Wiesbaden Survivor-Analyse und Ereignisanalyse Sterbetafel, Kaplan-Meier-Schätzung und Cox- Regression mit SPSS -
MehrMasterprüfung SS 2016
Lehrstuhl für Statistik und empirische Wirtschaftsforschung Prof. Regina T. Riphahn, Ph.D. Fach: Mikroökonometrie Semester: Sommersemester 2016 Prüfer: Prof. Regina T. Riphahn, Ph.D. Masterprüfung SS 2016
MehrStatistik II für Betriebswirte Vorlesung 11
Statistik II für Betriebswirte Vorlesung 11 Dr. Andreas Wünsche TU Bergakademie Freiberg Institut für Stochastik 08. Januar 2018 Dr. Andreas Wünsche Statistik II für Betriebswirte Vorlesung 11 Version:
MehrProbeklausur STATISTIK II
Probeklausur STATISTIK II Name, Vorname: Matrikel-Nr.: Die Klausur enthält zwei Typen von Aufgaben: T e i l A besteht aus Fragen mit mehreren vorgegebenen Antwortvorschlägen, von denen mindestens eine
MehrThe projectivity of the moduli space of stable curves. I: Preliminaries on "det"...
The projectivity of the moduli space of stable curves. I: Preliminaries on "det"... Knudsen, Finn; Mumford, David pp. 19-55 Terms and Conditions The Göttingen State and University Library provides access
MehrLife Tables und Kaplan Meier
9. Mai 2012 Inhaltsverzeichnis 1 Mathematische Grundlagen Der Datensatz 2 Zusammenhänge Mathematische Grundlagen Der Datensatz F (t) + S(t) = 1 P (T t) + P (T t) = P (Ω) = 1 t 0 f(u)du + t f(u)du = 0 f(u)du
Mehry t = 30, 2. Benutzen Sie die Beobachtungen bis einschließlich 2002, um den Koeffizientenvektor β mit der KQ-Methode zu schätzen.
Aufgabe 1 (25 Punkte Zur Schätzung des Werbe-Effekts in einem Getränke-Unternehmen wird das folgende lineare Modell aufgestellt: Dabei ist y t = β 1 + x t2 β 2 + e t. y t : x t2 : Umsatz aus Getränkeverkauf
MehrDemographie III ROLAND RAU. 04. November Universität Rostock, Wintersemester 2013/2014. c Roland Rau Demographie III 1 / 34
Demographie III ROLAND RAU Universität Rostock, Wintersemester 2013/2014 04. November 2013 c Roland Rau Demographie III 1 / 34 Wichtige Konzepte der vergangenen Lehrveranstaltung(en): Bevölkerungen ohne
MehrStrukturerhaltende Integrationsverfahren für stochastische Differentialgleichungen in der Modellierung von Zinsderivaten
Strukturerhaltende Integrationsverfahren für stochastische Differentialgleichungen in der Modellierung von Zinsderivaten Michael Günther, Christian Kahl und Thilo Roßberg Bergische Universität Wuppertal
MehrVarianzkomponentenschätzung
Qualitas AG Varianzkomponentenschätzung Peter von Rohr Qualitas AG Peter von Rohr Folien ZL I+II LFW C11 October 29, 2015 2 / 23 Multiple Lineare Regression Annahmen Modell y = Xb + e Varianz der Fehler
MehrPoisson Regression. Verallgemeinerte Lineare Modelle (GLMs)
Poisson Regression Verallgemeinerte Lineare Modelle (GLMs) 28.11.2011 Poisson Regression Aus der Einführungsvorlesung Poisson-Verteilung ist in der Regel gut geeignet, um Anzahlen zu modellieren. Frage
MehrMortalität nach Schlaganfall bei diabetischen und nicht-diabetischen Patienten
Mortalität nach Schlaganfall bei diabetischen und nicht-diabetischen Patienten Univ.-Prof. Dr. med. Dr. P.H. Andrea Icks, Dr. sc. hum. Heiner Claessen, Dr. med. Stephan Morbach, Prof. Dr. Gerd Glaeske,
MehrAfter Work Statistics
After Work Statistics Konrad Neumann Institute of Biometry and Clinical Epidemiology Konrad.Neumann@charite.de U N I V E R S I T Ä T S M E D I Z I N B E R L I N Institut für Biometrie und klinische Epidemiologie
MehrLog-lineare Analyse I
1 Log-lineare Analyse I Einleitung Die log-lineare Analysemethode wurde von L.A. Goodman in den 60er und 70er Jahren entwickelt. Sie dient zur Analyse von Zusammenhängen in mehrdimensionalen Kontingenztafeln
MehrMasterprüfung. Fach: Mikroökonometrie Prüfer: Prof. Regina T. Riphahn, Ph.D. Vorbemerkungen: Anzahl der Aufgaben: Bewertung:
Masterprüfung Fach: Mikroökonometrie Prüfer: Prof. Regina T. Riphahn, Ph.D. Vorbemerkungen: Anzahl der Aufgaben: Bewertung: Erlaubte Hilfsmittel: Wichtige Hinweise: Die Klausur besteht aus 4 Aufgaben,
MehrWissensentdeckung in Datenbanken
Wissensentdeckung in Datenbanken Modellklassen, Verlustfunktionen Nico Piatkowski und Uwe Ligges 02.05.2017 1 von 15 Literatur Trevor Hastie, Robert Tibshirani, Jerome Friedman. The Elements of Statistical
MehrDie Anwendung des globalen und partiellen F-Tests beim Regressionsmodell
Dr. Wolfgang Langer - Integrierte Veranstaltung Methoden IV WS 2002/2003-1 Die Anwendung des globalen und partiellen F-Tests beim Regressionsmodell von XENOPHOB auf V247 und POSTMAT, MATERIAL Für unsere
MehrStatistik. R. Frühwirth. Statistik. VO Februar R. Frühwirth Statistik 1/536
fru@hephy.oeaw.ac.at VO 142.090 http://tinyurl.com/tu142090 Februar 2010 1/536 Übersicht über die Vorlesung Teil 1: Deskriptive Teil 2: Wahrscheinlichkeitsrechnung Teil 3: Zufallsvariable Teil 4: Parameterschätzung
Mehr