论文部分内容阅读
在临床试验和纵向研究中，对个体进行观察，如果感兴趣的事件具有多种类型，并且这些感兴趣的事件在观察时间内可能多次发生，这样的数据称为多类型复发事件数据。在一些实际应用中，虽然事件发生的时间总是可以观测到，但由于某些因素，部分事件的类型可能会缺失。当缺失机制只依赖于观测到的数据时，这种缺失机制被称为随机缺失。本文在随机缺失的假设下提出几种半参数模型来分析带类型缺失的多类型复发事件数据。 第二章研究了一种加性比率模型，即假设协变量效应对事件复发率存在加性影响;当关注事件比率的绝对差别时，加性比率模型比一般的乘积比率模型更加合理。另外，为了提高模型在拟合数据时的灵活性，第三章提出了一类可加可乘比率模型，它同时考虑了协变量的加性效应和乘积效应。以上这两类模型都不基于事件历史，而仅仅定义了比率函数与协变量之间的关系，从这个意义上讲，它们都是边际模型。我们通过建立加权估计方程来估计模型参数，并且证明了参数估计的渐近性质。这里的加权估计方程是指在事件类型缺失下，比率模型的估计方程本质上是一种加权平均，其中的权重等于事件类型概率估计值。针对以上两类模型，我们分别提出了模型拟合优度检验统计量。数值模拟结果显示参数估计量在有限样本下表现良好。在各章的结尾部分，一个关于血小板输血反应的实际例子被用来说明所提方法的实用性。 需要注意的是第二和三章是基于参数模型方法来拟合事件类型概率，而当参数模型假定错误时就有可能会导致最终的估计有偏。因此，第四章在加性比率模型下采用非参数方法来估计事件类型概率。虽然事件类型概率估计量的收敛速率比参数收敛速率要慢，但最终的参数估计量被证明是√n相合的且满足渐近正态性。我们通过数值模拟验证了所提估计量的有限样本性质，并进行了实际数据分析。