Estimating incident population distribution from prevalent data.
Estimating incident population distribution from prevalent data.
复制标题
DOI：
10.1111/j.1541-0420.2011.01708.x
复制
发表时间：
2012-06
期刊：
影响因子：
1.9
通讯作者：
Wang MC
中科院分区：
文献类型：
--
作者：
Chan KC;Wang MC
流行样本由在采样时间经历疾病发生但未经历失效事件的个体组成。我们讨论的方法估计的分布函数的随机向量定义在基线的发病人口时，数据收集流行抽样。流行抽样设计通常比事件研究设计更集中和经济，用于研究患病人群的生存分布，但流行样本会因设计而产生偏倚。生存时间较长的受试者更有可能被纳入流行队列，与生存时间相关的其他关注基线变量也会受到流行抽样方案诱导的抽样偏倚的影响。在没有认识到偏倚的情况下，应用经验分布函数估计基线变量的总体分布可能会导致严重的偏倚。本文提出了利用流行数据进行基线变量分布估计的非参数和半参数方法。
A prevalent sample consists of individuals who have experienced disease incidence but not failure event at the sampling time. We discuss methods for estimating the distribution function of a random vector defined at baseline for an incident disease population when data are collected by prevalent sampling. Prevalent sampling design is often more focused and economical than incident study design for studying the survival distribution of a diseased population, but prevalent samples are biased by design. Subjects with longer survival time are more likely to be included in a prevalent cohort, and other baseline variables of interests that are correlated with survival time are also subject to sampling bias induced by the prevalent sampling scheme. Without recognition of the bias, applying empirical distribution function to estimate the population distribution of baseline variables can lead to serious bias. In this article, nonparametric and semiparametric methods are developed for distribution estimation of baseline variables using prevalent data.
登录
查看更多内容
影响因子：
1.9
作者：
WANG, MC;BROOKMEYER, R;JEWELL, NP
通讯作者：
JEWELL, NP
影响因子：
3.7
作者：
CROWLEY, J;HU, M
通讯作者：
HU, M
DOI：
10.1111/j.2517-6161.1968.tb00724.x
发表时间：
1968-01-01
影响因子：
5.8
作者：
COX, DR;SNELL, EJ
通讯作者：
SNELL, EJ
影响因子：
2.7
作者：
THERNEAU, TM;GRAMBSCH, PM;FLEMING, TR
通讯作者：
FLEMING, TR
DOI：
10.2307/2983150
发表时间：
1991-01-01
影响因子：
2
作者：
KEIDING, N
通讯作者：
KEIDING, N