Semiparametric inference for survival models with step process covariates

Authors


Abstract

The authors consider Bayesian methods for fitting three semiparametric survival models, incorporating time-dependent covariates that are step functions. In particular, these are models due to Cox [Cox (1972) Journal of the Royal Statistical Society, Series B, 34, 187–208], Prentice & Kalbfleisch and Cox & Oakes [Cox & Oakes (1984) Analysis of Survival Data, Chapman and Hall, London]. The model due to Prentice & Kalbfleisch [Prentice & Kalbfleisch (1979) Biometrics, 35, 25–39], which has seen very limited use, is given particular consideration. The prior for the baseline distribution in each model is taken to be a mixture of Polya trees and posterior inference is obtained through standard Markov chain Monte Carlo methods. They demonstrate the implementation and comparison of these three models on the celebrated Stanford heart transplant data and the study of the timing of cerebral edema diagnosis during emergency room treatment of diabetic ketoacidosis in children. An important feature of their overall discussion is the comparison of semi-parametric families, and ultimate criterion based selection of a family within the context of a given data set. The Canadian Journal of Statistics 37: 60–79; © 2009 Statistical Society of Canada

Abstract

Les auteurs considèrent des méthodes bayésiennes pour ajuster trois modèles de survie semi-paramétriques incorporant des covariables dépendant du temps. En particulier, ces modèles sont dus à Cox [Cox (1972) Journal of the Royal Statistical Society, Series B, 34, 187–208], Prentice et Kalbfleisch et Cox et Oakes [Cox & Oakes (1984) Analysis of Survival Data, Chapman and Hall, London]. Une attention particulière est donnée au modèle de Prentice et Kalbfleish [Prentice & Kalbfleish (1979) Biometrics, 35, 25–39] dont l'utilisation est très limitée. La densité a priori pour la distribution de référence pour chaque modèle est un mélange d'arbres de Pólya et l'inférence a posteriori est faite en utilisant les méthodes de Monte-Carlo markoviennes standards. Ils illustrent l'implantation de ces modèles et ils les comparent à l'aide des célèbres données de transplantation cardiaque de Stanford et sur une étude du temps de diagnostic de l'ßdème cérébral lors du traitement à l'urgence d'enfants souffrant d'acidocétose diabétique. Les points importants de leur argumentation portent sur la comparaison de familles semi-paramétriques et le critère de sélection final d'une de ces familles en fonction du jeu de données. La revue canadienne de statistique 37: 60–79; © 2009 Société statistique du Canada

Ancillary