離散時間の分析では、競合するリスクデータがリスクされます

競合するリスクデータのために、継続的なイベント時間を伴う競合リスクデータのために、競合するリスクデータのために、競合するリスクデータのために、競合するリスクデータのために、競合するリスクデータのために十分に開発されてきました。ただし、監視、疫学、および国立がん研究所の最終結果（SEER）プログラムを含む多くのアプリケーションでは、イベント時間が個別に観察される場合があります。そのようなデータへの連続時間回帰法の素朴な適用は適切ではありません。離散時間原因特異的ハザード関数のモデルパラメーターの推定の最尤推論を提案し、関連する累積発生率関数の予測を開発し、予測される累積発生率関数の一貫した分散推定器を導き出します。メソッドは、一般化された推定方程式の標準ソフトウェアを使用して容易に実装されます。ここでは、さまざまな原因のモデルが個別に適合する場合があります。SEERデータの場合、異なる時間スケールで異なるイベントタイプをモデル化することが望ましい場合があり、そのようなシナリオに対応するためにメソッドが一般化され、継続的な時間データに関する以前の作業を拡張します。シミュレーション研究は、現実的なセットアップでメソッドがうまく機能することを示しています。方法論は、SEERからのステージIII結腸癌データで示されています。

Regression methodology has been well developed for competing risks data with continuous event times, both for the cause-specific hazard and cumulative incidence functions. However, in many applications, including those from the Surveillance, Epidemiology, and End Results (SEER) program of the National Cancer Institute, the event times may be observed discretely. Naive application of continuous time regression methods to such data is not appropriate. We propose maximum likelihood inferences for estimation of model parameters for the discrete time cause-specific hazard functions, develop predictions for the associated cumulative incidence functions, and derive consistent variance estimators for the predicted cumulative incidence functions. The methods are readily implemented using standard software for generalized estimating equations, where models for different causes may be fitted separately. For the SEER data, it may be desirable to model different event types on different time scales and the methods are generalized to accommodate such scenarios, extending earlier work on continuous time data. Simulation studies demonstrate that the methods perform well in realistic set-ups. The methodology is illustrated with stage III colon cancer data from SEER.