مدل‌بندی فضایی داده‌های بقای سانسور شده

در تحلیل بقا تشخیص منابع خطر برای مجموعه داده های بقا اهمیت ویژه ای دارد. برخی از این عوامل قابل شناسایی هستند و در قالب متغیرهای تبیینی در مدل هایی مانند مدل مخاطرات متناسب کاکس قابل بیانند. اما برخی دیگر از این عوامل خطر، ناشناخته و قابل شناسایی یا اندازه گیری نیستند. یکی از این منابع تاثیرگذار، هم بستگی فضایی میان داده های بقای سانسور شده است که در پژوهش هایی که تا کنون صورت گرفته کم تر به آن توجه شده است. این مقاله مدل بقای فضایی برای تحلیل داده های بقای فضایی زمین آماری راست سانسور معرفی می شود و با پژوهشی شبیه سازی کارایی مدل های کاکس، شکنندگی و بقای فضایی در برازش به این گونه داده های بقا بررسی می شود. سپس نحوۀ کاربست مدل بقای فضایی برای تحلیل داده های مربوط به زمان ابتلا به بیماری سرکوسپوریوز در باغات زیتون نشان داده شده است.

Spatial Modeling of Censored Survival Data

An important issue in survival data analysis is the identification of risk factors. Some of these factors are identifiable and explainable by presence of some covariates in the Cox proportional hazard model, while the others are unidentifiable or even immeasurable. Spatial correlation of censored survival data is one of these sources that are rarely considered in the literatures. In this paper, a spatial survival model is introduced to analyze such kinds of data. Then a simulation method is introduced to study the performance of Cox, frailty and spatial survival models for modeling spatially correlated survival data. Next, the proposed spatial survival model is used to model the time disease of Cercosporiose in olive trees. Finally, results and discussion are presented