Alle optiegidsen
Laat elkaar uitsluiten de gebeurtenis waarschijnlijkheid veranderen18 min.

Concurrerende risico's en cumulatieve incidentie

Begrijp oorzaak-specifieke gevaren, cumulatieve incidentie, waarom Kaplan.Meier kan overstateren gebeurtenis waarschijnlijkheid, en hoe Fine .Gray modellen een andere vraag te beantwoorden.

Samengesteld door Mark · Primaire bronnen hieronder

Direct antwoord

Concurrerende risico's ontstaan wanneer meerdere onderling exclusieve gebeurtenissen kunnen optreden als eerste en een gebeurtenis voorkomt het observeren van een andere. Een lening kan in gebreke blijven, vooruitbetalen, rijpen of worden verkocht; vooruitbetaling verwijdert die lening van toekomstige wanbetalingsrisico. De oorzaak-specifieke gevaar beschrijft het momentane tarief van een oorzaak onder eenheden nog vrij van elke gebeurtenis, terwijl cumulatieve incidentie geeft de werkelijke waarschijnlijkheid dat een oorzaak eerst door een horizon. Behandelen van concurrerende gebeurtenissen als gewone onafhankelijke censuur maakt een-minus-KaplanMeier overstate oorzaak waarschijnlijkheid.

De eerste gebeurtenis wijzigt de toekomstige risicoset

Tijd tot wanbetaling wordt niet afzonderlijk waargenomen wanneer vooruitbetaling of looptijd eerst kan plaatsvinden. Zodra een van beide plaatsvindt, is later in gebreke blijven onder het oorspronkelijke contract onmogelijk.

Deze gebeurtenissen concurreren omdat hun bestelling voor de eerste gebeurtenis een wederzijdse uitsluiting is. De gebeurtenis taxonomie moet het economische proces volgen.

Door alle uitgangen te combineren wordt de tijd op elke uitgang geschat. Door ze te scheiden vraagt men welke uitgang het eerst plaatsvindt, en een hypothetische wereld zonder concurrenten stelt een sterkere, minder waarneembare vraag.

Gewone censoring geeft de verkeerde kans

Kaplan .Meier behandelt gecensureerde eenheden als representatief voor degenen die nog in gevaar. Een concurrerende gebeurtenis in plaats daarvan onthult dat de doel gebeurtenis niet meer kan plaatsvinden eerst.

Censureren van prepaid leningen terwijl het schatten van wanbetaling effectief denkt dat ze dezelfde toekomstige mogelijkheid tot wanbetaling behouden als aanhoudende leningen.

Een min die Kaplan .Meier curve daarom schat een netto hoeveelheid onder verwijdering van concurrenten en over het algemeen hoger dan de reële standaard cumulatieve incidentie.

Oorzaakspecifiek gevaar beschrijft de huidige gebeurtenisstroom

Voor oorzaak k is het oorzaakspecifieke gevaar de momentane snelheid van oorzaak k tussen eenheden zonder gebeurtenis.

Een Cox model kan andere oorzaken censureren om covariate associaties met dit gevaar te schatten. Hier censureren is een risico-set apparaat, geen schatting van de werkelijke oorzaak waarschijnlijkheid.

Oorzaakspecifieke gevarenratio's zijn nuttig voor mechanisme- en etiologische vragen, maar zij brengen niet direct in kaart met cumulatieve incidentie zonder alle oorzakenrisico's.

Cumulatieve incidentie antwoorden absolute waarschijnlijkheid

De cumulatieve incidentiefunctie voor oorzaak k is de waarschijnlijkheid dat k eerst optreedt met tijd t.

Het combineert het huidige oorzaak-specifieke gevaar met de kans op overleven elke oorzaak tot elke keer. Concurrerende gevaren dus vorm van de doel waarschijnlijkheid.

De oorzaak-specifieke cumulatieve incidenties somt de kans op een gebeurtenis op, waardoor gebeurtenis-vrije overleving als de rest.

Fijne Gray modellen het subdistributie gevaar

Fine .Gray regressie verbindt covarianten aan een subdistributie gevaar geconstrueerd om het model cumulatieve incidentie direct.

De risico-indeling houdt mensen met een eerder concurrerend evenement vast door middel van wegingsconventies.De resulterende subdistributierisicoverhouding is geen gewone actuele risicoratio.

Gebruik het wanneer covariate associatie met cumulatieve incidentie is het doel. Vertaal de coëfficiënt niet in een directe waarschijnlijkheid multiplier.

Covarianten kunnen via concurrerende routes werken

Een lener functie kan zowel vooruitbetaling als de wanbetaling gevaren verhogen. Snellere vooruitbetaling kan hoge risico leningen verwijderen voordat de wanbetaling en lager waargenomen wanbetaling incidentie.

Een covariant kan dus het oorzaakspecifieke standaardrisico verhogen, maar heeft een zwakke of tegengestelde associatie met een standaard cumulatieve incidentie.

Dit is geen contradictie. De twee estimands beantwoorden verschillende vragen over de huidige gebeurtenisstroom en realiseerden zich de eerste kans.

Financiële toepassingen hebben volledige eventlabels nodig

Kredietstudies kunnen onderscheid maken tussen wanbetaling, vooruitbetaling, looptijd, herstructurering en leningverkoop. Fondsstudies kunnen liquidatie, fusie en verdwijning van databases scheiden.

Een verkeerde indeling van gebeurtenissen beweegt observaties tussen oorzaken en veranderingen in elke risicoset. Ambigu exit codes mogen niet stil worden censureren.

Onafhankelijke verlies aan follow-up is nog steeds nodig voor identificatie. Kalenderafsluiting verschilt van een niet-geclassificeerd verdwijnen in verband met nood.

Rapporteer zowel mechanismen als waarschijnlijkheden

Definieer de eerste-event vraag, gebeurtenishiërarchie, horizon, tijd oorsprong, vertraagde binnenkomst, censoring, en hoe banden of dubbelzinnige resultaten werden opgelost.

Plot gebeurtenisvrije overleving en elke cumulatieve incidentie zodat waarschijnlijkheden verzoenen. Rapporteer absolute incidentie aan nuttige horizonten met onzekerheid.

Gebruik oorzaak-specifieke modellen voor de dynamiek van gebeurtenissen en Fine

Veelgestelde vragen

Waarom niet censureren vooruitbetalingen in een standaard analyse?

Dat is geldig voor het schatten van een oorzaak-specifiek gevaar, maar niet voor het schatten van de standaard waarschijnlijkheid in de echte wereld met één minus Kaplan .Meier.

Kan cumulatieve incidentie in de loop van de tijd afnemen?

Nee, het is de verzamelde kans dat een oorzaak eerst door een horizon is opgetreden, dus het is niet afnemend.

Wat is beter, oorzaak-specifieke Cox of Fine . Gray?

Geen van beide universeel. Oorzaakspecifieke modellen richten zich op de dynamiek van gebeurtenissen; Fine.Gray richt zich op covariate associatie met cumulatieve incidentie.

Kan een concurrerende risico-waarschijnlijkheid hoger zijn dan één?

Een goede schatting van de oorzaakspecifieke cumulatieve incidenties plus gebeurtenisvrije overleving combineert met één aan elke horizon.

Bronnen en verder lezen

Snelle check

De gids gelezen? Test jezelf met 3 vragen

1 / 3

Vraag 01

Welke verklaring past het beste bij deze gids . . Het eerste evenement verandert de toekomstige risico set?

Kies een antwoord om de uitleg te zien

Optiewoordenlijst