Я смотрю на время, необходимое судьям для принятия решений. Каждый судья оценивает количество заявителей и может одобрить или не одобрить заявку. Дело завершается, когда судья представляет свой отчет, который может быть через некоторое время после слушания. В конце периода исследования ряд дел все еще оставался открытым.
Я хочу оценить среднее время, необходимое для перемещения дел по системе. Кроме того, я хотел бы видеть, занимает ли отказанное дело больше времени, чем одобренное. (Судьи, кажется, тратят больше времени на составление отчетов о тех, кого они в конечном итоге не утвердили, или ищут дополнительную документацию).
Очевидно, я не знаю, были ли случаи, которые были еще открыты, когда исследование закончилось, были утверждены или нет, поэтому ковариат (утверждать / не утверждать) подвергается цензуре вместе с данными.
Что я могу с этим поделать?
Ответы:
У @jsk есть ключ в их комментарии к ответу @Alexis. Подходящим типом анализа выживаемости для использования в этом случае является «Конкурирующие риски». У вас есть три возможных результата: а) принят, б) отклонен, и в) подвергнут цензуре.
Ключевым моментом является то, что принятый / отклоненный - это не единственный ковариат, а два конкурирующих риска. Это довольно просто в большинстве статистических программ. Например, в АиР
survival
пакете, просто закодировать событие как фактор с уровнямиcensored
,accepted
иrejected
. (censored
должен быть первым уровнем, другие уровни предполагаются конкурирующими рисками.)источник
Если я вас понимаю, это довольно стандартный метод анализа цензуры на выживание / анализ истории событий; Каплан-Мейер, модели рисков с дискретным временем и т. Д. Все оценивают «происходит ли и когда» событие, одновременно учитывая правильную цензуру возникновения события (т. Е. Утверждение вашего случая), с учетом сокращения выборки, подверженной риску события с течением времени. как из-за возникновения события, так и из-за цензуры.
Статья Википедии дает приличную интро. И вы можете проверить Singer, JD и Willett, JB (2003). Прикладной продольный анализ данных: моделирование изменений и возникновения событий . Издательство Оксфордского университета, Нью-Йорк, Нью-Йорк, в котором подробно рассматриваются модели истории событий с дискретным временем и имеется достаточно приличный раздел о моделях пропорциональных рисков Кокса.
источник