生存時間分布のパラメトリックモデル③:加速死亡時間モデル

公開日:

【2022年12月1週】 【A000】生物統計学 【A051】コホート研究 【A100】生存時間分析 【A101】生存関数の推定

この記事をシェアする
  • B!
サムネイル画像

本稿では、生存時間分布のパラメトリックモデルのひとつである加速死亡時間モデルについて重要事項をまとめています。

なお、閲覧にあたっては、以下の点にご注意ください。

  • スマートフォンやタブレット端末でご覧の際、数式が見切れている場合は、横にスクロールすることができます。
  • 曝露(発症)状況を表す右下の添え字は、「0」である場合(n0,π0 など)や「2」である場合(n2,π2 など)がありますが、どちらも「非曝露群(コントロール群)」を表しています。
  • 漸近的な性質を用いる際は、①中心極限定理が成り立つ、②漸近分散を推定する際に、母数をその一致推定量で置き換えることができるということが成り立つと仮定しています。

生存時間分布の加速死亡時間モデル

生有者が任意の割合となるまでの時間が、共変量ベクトル X と係数ペクトル β~ のある関数により加速、もしくは減速することを仮定し、特定の生存関数 S0(t) に対して、共変量ベクトル x をもつ患者に対する生存関数と累積ハザード関数が、スケールパラメータ σ と共変量ベクトルの値 x により定義される、変換された加速死亡時間 t~x=exp(α~+xTβ~σ) を用いて S(t|x)=S0{exp(α~+xTβ~σ)t}=S0(t~x)Λ(t|x)=Λ0{exp(α~+xTβ~σ)t} となるモデルを 加速死亡時間モデル accelerated failure time models と呼ぶ。
ハザード関数とイベント密度関数は、 λ(t|x)=exp(α~+xTβ~σ)λ0{exp(α~+xTβ~σ)t}f(t|x)=exp(α~+xTβ~σ)λ0{exp(α~+xTβ~σ)t}S0{exp(α~+xTβ~σ)t} で与えられる。

証明:ハザード関数

証明

累積ハザード関数とハザード関数の関係 λ(t)=ddtΛ(t) から、合成関数の微分法より、 λ(t|x)=ddtΛ0{exp(α~+xTβ~σ)t}=λ0{exp(α~+xTβ~σ)t}ddt{exp(α~+xTβ~σ)t}=exp(α~+xTβ~σ)λ0{exp(α~+xTβ~σ)t} イベント発生の確率密度関数、ハザード関数、累積生存関数の関係より、 f(t|x)=λ(t|x)S(t|x)=exp(α~+xTβ~σ)λ0{exp(α~+xTβ~σ)t}S0{exp(α~+xTβ~σ)t}

【定理】残差分布と生存関数

【定理】
残差分布と生存関数
Residual Distribution and Survival Function

生有者が任意の割合となるまでの時間について、 yσ=logtt=exp(yσ) を仮定する。 ハザード関数 λ0(t) と対応する生存関数 S0(t) をもつ、任意の分布を与え、x を与えたもとでの Y の条件付き分布は、 f(y|x)=[exp{y(α~+xTβ~)σ}]1σλ0[exp{y(α~+xTβ~)σ}]S0[exp{y(α~+xTβ~)σ}] このとき、 ε=y(α~+xTβ~)σ とおくと、 f(ε)=eελ0(ε)S0(ε) が成り立ち、 残差分布 f(ε) をもつ線形モデル yi=α~+xTβ~+εiσ を適用することができる。 また、生存関数は、残差分布の分布関数と等しい。 S(t|xi)=P(ε<εi)

証明:条件付き分布

証明

累積ハザード関数の式に t=exp(yσ) を代入すると、 Λ(y|x)=Λ0{exp(α~+xTβ~σ)exp(yσ)}=Λ0[exp{y(α~+xTβ~)σ}] 累積ハザード関数とハザード関数の関係 λ(t)=ddtΛ(t) から、合成関数の微分法より、 λ(y|x)=ddyΛ0[exp{y(α~+xTβ~)σ}]=λ0[exp{y(α~+xTβ~)σ}]ddy[exp{y(α~+xTβ~)σ}]ddy{y(α~+xTβ~)σ}=[exp{y(α~+xTβ~)σ}]1σλ0[exp{y(α~+xTβ~)σ}] イベント発生の確率密度関数、ハザード関数、累積生存関数の関係より、 f(y|x)=λ(y|x)S(y|x)=[exp{y(α~+xTβ~)σ}]1σλ0[exp{y(α~+xTβ~)σ}]S0[exp{y(α~+xTβ~)σ}] ここで、 ε=y(α~+xTβ~)σ とおくと、 f(ε)=eελ0(ε)S0(ε)

証明:生存関数

証明

生存関数の定義より、 S(t|xi)=P(t<ti)=P(logt<logti)=P[log{exp(yσ)}<log{exp(yiσ)}]=P(yσ<yiσ)=P(yσα~+xTβ~σ<yiσα~+xTβ~σ)=P[y(α~+xTβ~)σ<yi(α~+xTβ~)σ]=P(ε<εi)

【定理】ワイブル加速死亡時間モデルの生存関数:導出法①

【定理】
ワイブル加速死亡時間モデルの生存関数:導出法①
Survival Function of Weibull Accelerated Life Models

μ=1 をもつ標準ワイブルモデル λ(t)=γtγ1 において、 共変量ベクトル x をもつ被験者に対して、加速死亡時間変換を用いることで、 S(t|x)=exp[exp[{logt(α~+xTβ~)}γ]]=exp[exp{logt(α~+xTβ~)σ}] γ=1σ

証明:ワイブル加速死亡時間モデルの生存関数

証明

標準ワイブルモデルのハザード関数の式 λ(t)=γtγ1 に加速度因子 exp{(α~+xTβ~)γ} をかけると、 λ(t|x)=exp{(α~+xTβ~)γ}γtγ1 累積ハザード関数 Λ(t)=0tλ(u)du は、 Λ(t)=exp{(α~+xTβ~)γ}0tγuγ1du=exp{(α~+xTβ~)γ}[uγ]0t=exp{(α~+xTβ~)γ}tγ=exp{(α~+xTβ~)γ}exp(γlogt)=exp[{logt(α~+xTβ~)}γ] 累積ハザード関数と累積生存関数の関係 S(t)=exp{Λ(t)} より、 S(t|x)=exp[exp[{logt(α~+xTβ~)}γ]]=exp[exp{logt(α~+xTβ~)}γ] γ=1σ を代入すると、 S(t|x)=exp[exp{logt(α~+xTβ~)σ}]

【定理】ワイブル加速死亡時間モデルの生存関数:導出法②

【定理】
ワイブル加速死亡時間モデルの生存関数:導出法②
Survival Function of Weibull Accelerated Life Models

率パラメータが共変量ベクトル X の関数として μ=exp{(α~+xTβ~)γ}γ=1σ と表されると仮定する。 〔1〕対数時間の確率密度関数
このとき、y=logt の確率密度関数は、 f(y|x)=1σexp[y(α~+xTβ~)σexp{y(α~+xTβ~)σ}] 〔2〕スケール化された残差の確率密度関数 スケール化された残差を ε=yE(y|x)σE(y|x)=α~+xTβ~ とすると、 残差の確率密度関数は、 f(ε)=exp[εexp(ε)] 〔3〕残差の指数の確率密度関数
w=eε とすると、 f(w)=ew 〔4〕生存関数
変数を戻していくと、 S(t|x)=exp[exp{logt(α~+xTβ~)σ}]

証明:イベント密度関数

証明

イベント発生の確率密度関数、ハザード関数、累積生存関数の関係より、 f(t|x)=λ(t|x)S(t|x)=exp{(α~+xTβ~)γ}γtγ1exp[exp{logt(α~+xTβ~)σ}]=1σexp{(α~+xTβ~)γ}exp{(γ1)logt}exp[exp{logt(α~+xTβ~)σ}]=1σexp[(α~+xTβ~)γ+(γ1)logtexp{logt(α~+xTβ~)σ}]=1σexp[logt(α~+xTβ~)σexp{logt(α~+xTβ~)σ}]exp(logt) 対数変換の公式 g(y)=f(ey)ey より、y=logt の確率密度関数は、 f(y|x)=1σexp[y(α~+xTβ~)σexp{logt(α~+xTβ~)σ}]exp(y)exp(y)=1σexp[y(α~+xTβ~)σexp{logt(α~+xTβ~)σ}]

証明:残差の密度関数

証明

線形変換の公式 Y=aX+bg(y)=f(yba)1|a| より、 f(ε)=f(ε)1|1σ|=1σexp[εexp(ε)]1|1σ|=exp[εexp(ε)]

証明:指数残差の密度関数

証明

指数変換の公式 Y=eXg(y)=f(logy)1y より、 f(w)=exp[logwexp(logw)]1w=exp(logw)exp(w)1w=wew1w=ew

証明:生存関数

証明

指数分布の分布関数は、 F(w)=1ew 生存関数は、 S(w)=1F(w)=ewS(ε)=exp[exp(ε)]S(y|x)=exp[exp{y(α~+xTβ~)σ}]S(t|x)=exp[exp{logt(α~+xTβ~)σ}]

参考文献

  • ジョン・ラチン 著, 宮岡 悦良 監訳, 遠藤 輝, 黒沢 健, 下川 朝有, 寒水 孝司 訳. 医薬データのための統計解析. 共立出版, 2020, p.558-560

関連記事

自己紹介

自分の写真

yama

大学時代に読書の面白さに気づいて以来、読書や勉強を通じて、興味をもったことや新しいことを学ぶことが生きる原動力。そんな人間が、その時々に学んだことを備忘録兼人生の軌跡として記録しているブログです。

このブログを検索

ブログ アーカイブ

QooQ