Asuntomarkkinoiden vakuus- ja vakuutusturvapalvelun lanseeraus on tarkoitus tapahtua keväällä 2018. Tämä raportti käsittelee lanseeraukseen liittyviä haasteita ja ongelmia.
Asuntomarkkinoiden vakuus- ja vakuutusturvapalvelun lanseeraus on tarkoitus tapahtua keväällä 2018. Tämä raportti käsittelee lanseeraukseen liittyviä haasteita ja ongelmia.
2024 State of Marketing Report – by HubspotMarius Sescu
https://www.hubspot.com/state-of-marketing
· Scaling relationships and proving ROI
· Social media is the place for search, sales, and service
· Authentic influencer partnerships fuel brand growth
· The strongest connections happen via call, click, chat, and camera.
· Time saved with AI leads to more creative work
· Seeking: A single source of truth
· TLDR; Get on social, try AI, and align your systems.
· More human marketing, powered by robots
ChatGPT is a revolutionary addition to the world since its introduction in 2022. A big shift in the sector of information gathering and processing happened because of this chatbot. What is the story of ChatGPT? How is the bot responding to prompts and generating contents? Swipe through these slides prepared by Expeed Software, a web development company regarding the development and technical intricacies of ChatGPT!
Product Design Trends in 2024 | Teenage EngineeringsPixeldarts
The realm of product design is a constantly changing environment where technology and style intersect. Every year introduces fresh challenges and exciting trends that mold the future of this captivating art form. In this piece, we delve into the significant trends set to influence the look and functionality of product design in the year 2024.
How Race, Age and Gender Shape Attitudes Towards Mental HealthThinkNow
Mental health has been in the news quite a bit lately. Dozens of U.S. states are currently suing Meta for contributing to the youth mental health crisis by inserting addictive features into their products, while the U.S. Surgeon General is touring the nation to bring awareness to the growing epidemic of loneliness and isolation. The country has endured periods of low national morale, such as in the 1970s when high inflation and the energy crisis worsened public sentiment following the Vietnam War. The current mood, however, feels different. Gallup recently reported that national mental health is at an all-time low, with few bright spots to lift spirits.
To better understand how Americans are feeling and their attitudes towards mental health in general, ThinkNow conducted a nationally representative quantitative survey of 1,500 respondents and found some interesting differences among ethnic, age and gender groups.
Technology
For example, 52% agree that technology and social media have a negative impact on mental health, but when broken out by race, 61% of Whites felt technology had a negative effect, and only 48% of Hispanics thought it did.
While technology has helped us keep in touch with friends and family in faraway places, it appears to have degraded our ability to connect in person. Staying connected online is a double-edged sword since the same news feed that brings us pictures of the grandkids and fluffy kittens also feeds us news about the wars in Israel and Ukraine, the dysfunction in Washington, the latest mass shooting and the climate crisis.
Hispanics may have a built-in defense against the isolation technology breeds, owing to their large, multigenerational households, strong social support systems, and tendency to use social media to stay connected with relatives abroad.
Age and Gender
When asked how individuals rate their mental health, men rate it higher than women by 11 percentage points, and Baby Boomers rank it highest at 83%, saying it’s good or excellent vs. 57% of Gen Z saying the same.
Gen Z spends the most amount of time on social media, so the notion that social media negatively affects mental health appears to be correlated. Unfortunately, Gen Z is also the generation that’s least comfortable discussing mental health concerns with healthcare professionals. Only 40% of them state they’re comfortable discussing their issues with a professional compared to 60% of Millennials and 65% of Boomers.
Race Affects Attitudes
As seen in previous research conducted by ThinkNow, Asian Americans lag other groups when it comes to awareness of mental health issues. Twenty-four percent of Asian Americans believe that having a mental health issue is a sign of weakness compared to the 16% average for all groups. Asians are also considerably less likely to be aware of mental health services in their communities (42% vs. 55%) and most likely to seek out information on social media (51% vs. 35%).
AI Trends in Creative Operations 2024 by Artwork Flow.pdfmarketingartwork
This article is all about what AI trends will emerge in the field of creative operations in 2024. All the marketers and brand builders should be aware of these trends for their further use and save themselves some time!
A report by thenetworkone and Kurio.
The contributing experts and agencies are (in an alphabetical order): Sylwia Rytel, Social Media Supervisor, 180heartbeats + JUNG v MATT (PL), Sharlene Jenner, Vice President - Director of Engagement Strategy, Abelson Taylor (USA), Alex Casanovas, Digital Director, Atrevia (ES), Dora Beilin, Senior Social Strategist, Barrett Hoffher (USA), Min Seo, Campaign Director, Brand New Agency (KR), Deshé M. Gully, Associate Strategist, Day One Agency (USA), Francesca Trevisan, Strategist, Different (IT), Trevor Crossman, CX and Digital Transformation Director; Olivia Hussey, Strategic Planner; Simi Srinarula, Social Media Manager, The Hallway (AUS), James Hebbert, Managing Director, Hylink (CN / UK), Mundy Álvarez, Planning Director; Pedro Rojas, Social Media Manager; Pancho González, CCO, Inbrax (CH), Oana Oprea, Head of Digital Planning, Jam Session Agency (RO), Amy Bottrill, Social Account Director, Launch (UK), Gaby Arriaga, Founder, Leonardo1452 (MX), Shantesh S Row, Creative Director, Liwa (UAE), Rajesh Mehta, Chief Strategy Officer; Dhruv Gaur, Digital Planning Lead; Leonie Mergulhao, Account Supervisor - Social Media & PR, Medulla (IN), Aurelija Plioplytė, Head of Digital & Social, Not Perfect (LI), Daiana Khaidargaliyeva, Account Manager, Osaka Labs (UK / USA), Stefanie Söhnchen, Vice President Digital, PIABO Communications (DE), Elisabeth Winiartati, Managing Consultant, Head of Global Integrated Communications; Lydia Aprina, Account Manager, Integrated Marketing and Communications; Nita Prabowo, Account Manager, Integrated Marketing and Communications; Okhi, Web Developer, PNTR Group (ID), Kei Obusan, Insights Director; Daffi Ranandi, Insights Manager, Radarr (SG), Gautam Reghunath, Co-founder & CEO, Talented (IN), Donagh Humphreys, Head of Social and Digital Innovation, THINKHOUSE (IRE), Sarah Yim, Strategy Director, Zulu Alpha Kilo (CA).
Trends In Paid Search: Navigating The Digital Landscape In 2024Search Engine Journal
The search marketing landscape is evolving rapidly with new technologies, and professionals, like you, rely on innovative paid search strategies to meet changing demands.
It’s important that you’re ready to implement new strategies in 2024.
Check this out and learn the top trends in paid search advertising that are expected to gain traction, so you can drive higher ROI more efficiently in 2024.
You’ll learn:
- The latest trends in AI and automation, and what this means for an evolving paid search ecosystem.
- New developments in privacy and data regulation.
- Emerging ad formats that are expected to make an impact next year.
Watch Sreekant Lanka from iQuanti and Irina Klein from OneMain Financial as they dive into the future of paid search and explore the trends, strategies, and technologies that will shape the search marketing landscape.
If you’re looking to assess your paid search strategy and design an industry-aligned plan for 2024, then this webinar is for you.
5 Public speaking tips from TED - Visualized summarySpeakerHub
From their humble beginnings in 1984, TED has grown into the world’s most powerful amplifier for speakers and thought-leaders to share their ideas. They have over 2,400 filmed talks (not including the 30,000+ TEDx videos) freely available online, and have hosted over 17,500 events around the world.
With over one billion views in a year, it’s no wonder that so many speakers are looking to TED for ideas on how to share their message more effectively.
The article “5 Public-Speaking Tips TED Gives Its Speakers”, by Carmine Gallo for Forbes, gives speakers five practical ways to connect with their audience, and effectively share their ideas on stage.
Whether you are gearing up to get on a TED stage yourself, or just want to master the skills that so many of their speakers possess, these tips and quotes from Chris Anderson, the TED Talks Curator, will encourage you to make the most impactful impression on your audience.
See the full article and more summaries like this on SpeakerHub here: https://speakerhub.com/blog/5-presentation-tips-ted-gives-its-speakers
See the original article on Forbes here:
http://www.forbes.com/forbes/welcome/?toURL=http://www.forbes.com/sites/carminegallo/2016/05/06/5-public-speaking-tips-ted-gives-its-speakers/&refURL=&referrer=#5c07a8221d9b
ChatGPT and the Future of Work - Clark Boyd Clark Boyd
Everyone is in agreement that ChatGPT (and other generative AI tools) will shape the future of work. Yet there is little consensus on exactly how, when, and to what extent this technology will change our world.
Businesses that extract maximum value from ChatGPT will use it as a collaborative tool for everything from brainstorming to technical maintenance.
For individuals, now is the time to pinpoint the skills the future professional will need to thrive in the AI age.
Check out this presentation to understand what ChatGPT is, how it will shape the future of work, and how you can prepare to take advantage.
A brief introduction to DataScience with explaining of the concepts, algorithms, machine learning, supervised and unsupervised learning, clustering, statistics, data preprocessing, real-world applications etc.
It's part of a Data Science Corner Campaign where I will be discussing the fundamentals of DataScience, AIML, Statistics etc.
Time Management & Productivity - Best PracticesVit Horky
Here's my presentation on by proven best practices how to manage your work time effectively and how to improve your productivity. It includes practical tips and how to use tools such as Slack, Google Apps, Hubspot, Google Calendar, Gmail and others.
The six step guide to practical project managementMindGenius
The six step guide to practical project management
If you think managing projects is too difficult, think again.
We’ve stripped back project management processes to the
basics – to make it quicker and easier, without sacrificing
the vital ingredients for success.
“If you’re looking for some real-world guidance, then The Six Step Guide to Practical Project Management will help.”
Dr Andrew Makar, Tactical Project Management
2024 State of Marketing Report – by HubspotMarius Sescu
https://www.hubspot.com/state-of-marketing
· Scaling relationships and proving ROI
· Social media is the place for search, sales, and service
· Authentic influencer partnerships fuel brand growth
· The strongest connections happen via call, click, chat, and camera.
· Time saved with AI leads to more creative work
· Seeking: A single source of truth
· TLDR; Get on social, try AI, and align your systems.
· More human marketing, powered by robots
ChatGPT is a revolutionary addition to the world since its introduction in 2022. A big shift in the sector of information gathering and processing happened because of this chatbot. What is the story of ChatGPT? How is the bot responding to prompts and generating contents? Swipe through these slides prepared by Expeed Software, a web development company regarding the development and technical intricacies of ChatGPT!
Product Design Trends in 2024 | Teenage EngineeringsPixeldarts
The realm of product design is a constantly changing environment where technology and style intersect. Every year introduces fresh challenges and exciting trends that mold the future of this captivating art form. In this piece, we delve into the significant trends set to influence the look and functionality of product design in the year 2024.
How Race, Age and Gender Shape Attitudes Towards Mental HealthThinkNow
Mental health has been in the news quite a bit lately. Dozens of U.S. states are currently suing Meta for contributing to the youth mental health crisis by inserting addictive features into their products, while the U.S. Surgeon General is touring the nation to bring awareness to the growing epidemic of loneliness and isolation. The country has endured periods of low national morale, such as in the 1970s when high inflation and the energy crisis worsened public sentiment following the Vietnam War. The current mood, however, feels different. Gallup recently reported that national mental health is at an all-time low, with few bright spots to lift spirits.
To better understand how Americans are feeling and their attitudes towards mental health in general, ThinkNow conducted a nationally representative quantitative survey of 1,500 respondents and found some interesting differences among ethnic, age and gender groups.
Technology
For example, 52% agree that technology and social media have a negative impact on mental health, but when broken out by race, 61% of Whites felt technology had a negative effect, and only 48% of Hispanics thought it did.
While technology has helped us keep in touch with friends and family in faraway places, it appears to have degraded our ability to connect in person. Staying connected online is a double-edged sword since the same news feed that brings us pictures of the grandkids and fluffy kittens also feeds us news about the wars in Israel and Ukraine, the dysfunction in Washington, the latest mass shooting and the climate crisis.
Hispanics may have a built-in defense against the isolation technology breeds, owing to their large, multigenerational households, strong social support systems, and tendency to use social media to stay connected with relatives abroad.
Age and Gender
When asked how individuals rate their mental health, men rate it higher than women by 11 percentage points, and Baby Boomers rank it highest at 83%, saying it’s good or excellent vs. 57% of Gen Z saying the same.
Gen Z spends the most amount of time on social media, so the notion that social media negatively affects mental health appears to be correlated. Unfortunately, Gen Z is also the generation that’s least comfortable discussing mental health concerns with healthcare professionals. Only 40% of them state they’re comfortable discussing their issues with a professional compared to 60% of Millennials and 65% of Boomers.
Race Affects Attitudes
As seen in previous research conducted by ThinkNow, Asian Americans lag other groups when it comes to awareness of mental health issues. Twenty-four percent of Asian Americans believe that having a mental health issue is a sign of weakness compared to the 16% average for all groups. Asians are also considerably less likely to be aware of mental health services in their communities (42% vs. 55%) and most likely to seek out information on social media (51% vs. 35%).
AI Trends in Creative Operations 2024 by Artwork Flow.pdfmarketingartwork
This article is all about what AI trends will emerge in the field of creative operations in 2024. All the marketers and brand builders should be aware of these trends for their further use and save themselves some time!
A report by thenetworkone and Kurio.
The contributing experts and agencies are (in an alphabetical order): Sylwia Rytel, Social Media Supervisor, 180heartbeats + JUNG v MATT (PL), Sharlene Jenner, Vice President - Director of Engagement Strategy, Abelson Taylor (USA), Alex Casanovas, Digital Director, Atrevia (ES), Dora Beilin, Senior Social Strategist, Barrett Hoffher (USA), Min Seo, Campaign Director, Brand New Agency (KR), Deshé M. Gully, Associate Strategist, Day One Agency (USA), Francesca Trevisan, Strategist, Different (IT), Trevor Crossman, CX and Digital Transformation Director; Olivia Hussey, Strategic Planner; Simi Srinarula, Social Media Manager, The Hallway (AUS), James Hebbert, Managing Director, Hylink (CN / UK), Mundy Álvarez, Planning Director; Pedro Rojas, Social Media Manager; Pancho González, CCO, Inbrax (CH), Oana Oprea, Head of Digital Planning, Jam Session Agency (RO), Amy Bottrill, Social Account Director, Launch (UK), Gaby Arriaga, Founder, Leonardo1452 (MX), Shantesh S Row, Creative Director, Liwa (UAE), Rajesh Mehta, Chief Strategy Officer; Dhruv Gaur, Digital Planning Lead; Leonie Mergulhao, Account Supervisor - Social Media & PR, Medulla (IN), Aurelija Plioplytė, Head of Digital & Social, Not Perfect (LI), Daiana Khaidargaliyeva, Account Manager, Osaka Labs (UK / USA), Stefanie Söhnchen, Vice President Digital, PIABO Communications (DE), Elisabeth Winiartati, Managing Consultant, Head of Global Integrated Communications; Lydia Aprina, Account Manager, Integrated Marketing and Communications; Nita Prabowo, Account Manager, Integrated Marketing and Communications; Okhi, Web Developer, PNTR Group (ID), Kei Obusan, Insights Director; Daffi Ranandi, Insights Manager, Radarr (SG), Gautam Reghunath, Co-founder & CEO, Talented (IN), Donagh Humphreys, Head of Social and Digital Innovation, THINKHOUSE (IRE), Sarah Yim, Strategy Director, Zulu Alpha Kilo (CA).
Trends In Paid Search: Navigating The Digital Landscape In 2024Search Engine Journal
The search marketing landscape is evolving rapidly with new technologies, and professionals, like you, rely on innovative paid search strategies to meet changing demands.
It’s important that you’re ready to implement new strategies in 2024.
Check this out and learn the top trends in paid search advertising that are expected to gain traction, so you can drive higher ROI more efficiently in 2024.
You’ll learn:
- The latest trends in AI and automation, and what this means for an evolving paid search ecosystem.
- New developments in privacy and data regulation.
- Emerging ad formats that are expected to make an impact next year.
Watch Sreekant Lanka from iQuanti and Irina Klein from OneMain Financial as they dive into the future of paid search and explore the trends, strategies, and technologies that will shape the search marketing landscape.
If you’re looking to assess your paid search strategy and design an industry-aligned plan for 2024, then this webinar is for you.
5 Public speaking tips from TED - Visualized summarySpeakerHub
From their humble beginnings in 1984, TED has grown into the world’s most powerful amplifier for speakers and thought-leaders to share their ideas. They have over 2,400 filmed talks (not including the 30,000+ TEDx videos) freely available online, and have hosted over 17,500 events around the world.
With over one billion views in a year, it’s no wonder that so many speakers are looking to TED for ideas on how to share their message more effectively.
The article “5 Public-Speaking Tips TED Gives Its Speakers”, by Carmine Gallo for Forbes, gives speakers five practical ways to connect with their audience, and effectively share their ideas on stage.
Whether you are gearing up to get on a TED stage yourself, or just want to master the skills that so many of their speakers possess, these tips and quotes from Chris Anderson, the TED Talks Curator, will encourage you to make the most impactful impression on your audience.
See the full article and more summaries like this on SpeakerHub here: https://speakerhub.com/blog/5-presentation-tips-ted-gives-its-speakers
See the original article on Forbes here:
http://www.forbes.com/forbes/welcome/?toURL=http://www.forbes.com/sites/carminegallo/2016/05/06/5-public-speaking-tips-ted-gives-its-speakers/&refURL=&referrer=#5c07a8221d9b
ChatGPT and the Future of Work - Clark Boyd Clark Boyd
Everyone is in agreement that ChatGPT (and other generative AI tools) will shape the future of work. Yet there is little consensus on exactly how, when, and to what extent this technology will change our world.
Businesses that extract maximum value from ChatGPT will use it as a collaborative tool for everything from brainstorming to technical maintenance.
For individuals, now is the time to pinpoint the skills the future professional will need to thrive in the AI age.
Check out this presentation to understand what ChatGPT is, how it will shape the future of work, and how you can prepare to take advantage.
A brief introduction to DataScience with explaining of the concepts, algorithms, machine learning, supervised and unsupervised learning, clustering, statistics, data preprocessing, real-world applications etc.
It's part of a Data Science Corner Campaign where I will be discussing the fundamentals of DataScience, AIML, Statistics etc.
Time Management & Productivity - Best PracticesVit Horky
Here's my presentation on by proven best practices how to manage your work time effectively and how to improve your productivity. It includes practical tips and how to use tools such as Slack, Google Apps, Hubspot, Google Calendar, Gmail and others.
The six step guide to practical project managementMindGenius
The six step guide to practical project management
If you think managing projects is too difficult, think again.
We’ve stripped back project management processes to the
basics – to make it quicker and easier, without sacrificing
the vital ingredients for success.
“If you’re looking for some real-world guidance, then The Six Step Guide to Practical Project Management will help.”
Dr Andrew Makar, Tactical Project Management
Beginners Guide to TikTok for Search - Rachel Pearson - We are Tilt __ Bright...
Heikkousmallit
1. AB
TEKNILLINEN KORKEAKOULU
Informaatio- ja luonnontieteiden
tiedekunta
S-114.2240 Laskennallisen tekniikan seminaari
Heikkousmallit
Teppo-Heikki Saari, 58096R, tisaari@cc.hut.fi
20. huhtikuuta 2009
2. Johdanto
T¨m¨n seminaarity¨n aiheena on elinaikadatan ja n¨ist¨ erityisesti heik-
a a o a a
kousmallien (frailty models) k¨ytt¨ terveystieteiss¨. Elinaikadata on perin-
a o a
teisesti ollut luotettavuustekniikan keski¨ss¨, mutta tieteenalojen rajat ovat
o a
h¨m¨rtyneet ja nyky¨¨n luotettavuustekniikan metodeilla pystyt¨¨n mittaa-
a a aa aa
maan erilaisia sairauksien kestoja ja elinajanodotteita. Terveystieteiss¨ elin-
a
aikadataa k¨ytet¨¨n ehk¨ eniten epidemiologian alalla.
a aa a
Heikkouden k¨site tarjoaa k¨tev¨n tavan ottaa elinaikadatamalleihin mukaan
a a a
satunnaisvaikutuksia, olosuhteita sek¨ havaitsemattomia heterogeenisyyksi¨.
a a
Yksinkertaisimmassa muodossaan heikkous on havaitsematon satunnainen
suhdetekij¨, joka muuttaa yhden tai useamman yksil¨n hasardifunktiota.
a o
Heikkouden k¨sitys on perua 1920-luvulta Greenwoodin ja Yulen k¨sitteest¨
a a a
”onnettomuuksiin taipuvaisuus”. Itse termin heikkous (frailty) esitteliv¨t a
Vaupel et al. vuonna 1979 yhden muuttujan elinaikamalleja k¨sitelless¨¨n.
a aa
[18] Mallin k¨ytt¨kelpoisuus laajeni huomattavasti kun Clayton sovellelsi sit¨
a o a
usean muuttujan elinaikadataan seminaaripaperissaan, joka k¨sitteli kroonis-
a
ten sairauksien esiintymist¨ perheiss¨. [3]
a a
Heikkousmallit ovat suhteellisten hasardimallien (proportional hazard mo-
dels) laajennuksia, joista tunnetuin on selviytymisanalyysin k¨ytetyin malli:
a
Coxin malli. [16] Heikkousmallit voidaan jakaa kahteen laajaan luokkaan:
1. yhden muuttujan elinaikamallit
2. monen muuttujan elinaikamallit, esim. kilpailevat riskit (competing
risks), tapahtumien uusiutuminen samalle yksil¨lle, tautien esiintymi-
o
nen sukulaisilla
Ensimm¨isess¨ tapauksessa k¨ytet¨¨n riippumatonta yhden muuttujan
a a a aa
elinaikaa kuvaamaan havaitsemattomien kovariaattien vaikutuksia (hete-
rogeenisyytt¨) suhteellisessa hasardimallissa. Elinaikadatan vaihtelevuus
a
jaetaan teoreettisesti ennustettavaan osaan, joka riippuu riskitekij¨ist¨,
o a
ja osaan joka ei ole ennustettavissa vaikka kaikki relevantti informaatio
tunnetaan. Vaihtelevuuden erotteleminen n¨ihin kahteen osaan on edullista,
a
koska heterogeenisyydell¨ voidaan selitt¨¨ ja tulkita er¨it¨ odottamattomia
a aa a a
tuloksia, esimerkiksi risteym¨vaikutus tai hasardifunktion konvergenssi kah-
a
teen eri haaraan. [8] Lis¨ksi heterogeenisyytt¨ on k¨ytetty selitt¨m¨an my¨s
a a a a a¨ o
tasausvaikutuksia sy¨p¨tutkimuksessa eli kuolleisuuden kasvun hidastumis-
o a
ta, joka voi johtaa x-akselin suuntaiseen hasardifunktioon suurella i¨ll¨. [11]
a a
Toisessa tapauksessa yritet¨¨n selitt¨¨ tapahtuma-aikojen klusteroitumisen
aa aa
riippuvuutta, esimerkiksi tapauksessa jossa tutkitaan potilaiden elinaikoja
tutkimuskeskuksissa useassa keskuksessa tapahtuvan kliinisen kokeen aika-
na, tapahtuma-aikojen klusteroitumisen aiheutuessa keskuksista riippuvista
1
3. olosuhteista. [7] Luonnollinen tapa mallintaa klusteroituneita tapahtuma-
aikoja on ottaa k¨ytt¨¨n klusteririippuvainen satunnaisvaikutus - heikkous.
a oo
T¨m¨ satunnaisvaikutus selitt¨¨ riippuvuuden siin¨ mieless¨, ett¨ tapahtu-
a a aa a a a
mat olisivat olleet riippumattomia mik¨li heikkous olisi ollut tunnettu.
a
Elinaikadatan mallinnus regressiolla
Riippuvuuksien mallintaminen riippumattoman prediktorimuuttujan ja riip-
puvaisen ulostulomuuttujan v¨lill¨ regression avulla on yleisesti k¨ytetty
a a a
menetelm¨ l¨hes kaikilla tieteenaloilla. T¨ss¨ kappaleessa k¨yd¨¨n nopeas-
a a a a a aa
ti l¨pi elinaikadatalle suoritettava regressiomallinnus, josta voidaan siirty¨
a a
heikkousmalleihin.
Monesti ollaan kiinnostuneita arvioimaan mill¨ todenn¨k¨isyydell¨ uutena
a a o a
(hetkell¨ t = 0) k¨ytt¨¨n otettu kohde toimii viel¨ hetkell¨ t > 0. To-
a a oo a a
denn¨k¨isyys voidaan arvioida vikaantumisajan jakauman avulla:
a o
∞
P (”kohde toimii hetkell¨ t”) = P (T > t) = 1 − F (t) = S(t) =
a f (u)du
t
(1)
jossa S(t) (merkit¨¨n my¨s R(t)) on yksik¨n toimintatodenn¨k¨isyys (relia-
aa o o a o
bility, survivorship). Vioittuvuus- eli hasardifunktio m¨¨ritell¨¨n
aa aa
P (”vikaantuu aikav¨lill¨(t, t + δt)” |”toimii hetkell¨ t”) = P (t < T ≤ t + δt|T > t)
a a a
P (t < T ≤ t + δt) F (t + δt) − F (t) f (t)δt
= = =
P (T > t) S(t) S(t)
Yll¨mainittujen v¨lill¨ on yhteys f (t) = − d(1−S(t)) = −S (t) = −h(t) ja
a a a dt
f (t) f (t)
h(t) = S(t) = 1−F (t) . Hasardifunktiosta saadaan tiheysjakauma yht¨l¨ll¨
ao a
−H(t) t
f (t) = h(t)e , jossa H(t) = Λ(t) = 0 h(τ )dτ on kumulatiivinen ha-
sardifunktio.
Elinaikojen jakauma voidaan kuvata kahdella ekvivalentilla tavalla. Datal-
le voidaan m¨¨ritt¨¨ joko parametrinen tiheysjakauma tai hasardifunktio.
aa aa
Elinaikadatan tunnetaan useimmissa tapauksissa noudattavan eksponentti-
jakaumaa tai jotain siit¨ johdettua jakaumaa. Siksi elinaikadataan mallia so-
a
vitettaessa eksponenttifunktion valinta on luonnollinen. Eksponentiaalisesti
jakautuneiden systemaattisen osan sek¨ virheiden kombinaation tarkastelua
a
regression avulla kutsutaan eksponentiaaliseksi regressiomalliksi. Mik¨li mal-
a
lilla elinajan T suhteen on yksi riippumaton muuttuja x, on se muotoa
T = exp (β0 + β1 x) (2)
2
4. jossa on eksponenttijakautunut ( ∼ λe−λt ) parametrilla λ = 1. T¨ll¨in toi-
a o
mintatodenn¨k¨isyys on S(t) = e−t .
a o
Malli ei ole lineaarinen parametriensa suhteen, mutta se voidaan ”linearisoi-
da”ottamalla siit¨ luonnollinen logaritmi. T¨ll¨in saadaan malli
a a o
Y = β0 + β1 x + θ (3)
jossa Y = ln (T ) ja θ = ln . Virheiden θ jakauma ei ole normaali. Virheet nou-
dattavat jakaumaa ¨¨rimm¨iselle minimiarvolle, jota kutsutaan my¨s Gum-
aa a o
belin jakaumaksi:
α
f (t) = αeβt exp (− (eβt − 1)), (4)
β
virheiden odotusarvo on nolla ja muotoparametri on 1 jolloin saadaan ti-
heysfunktioksi G(0, 1) = f (t) = et−exp (t) ja toimintatodenn¨k¨isyydeksi
a o
− exp (t)
S(t) = e . Gumbelin jakauman tai Weibullin jakauman, joka sekin on
aarimm¨isen minimiarvon jakauma, k¨ytt¨ on standardioletuksena regressio-
¨¨ a a o
mallissa samaan tapaan kuin normaalijakauman N (0, σ 2 ) k¨ytt¨ lineaarisessa
a o
regressiomallissa.
Nyt teht¨v¨n¨ on estimoida havainnoista muotoa (t, β, x) regressiomalli. Ha-
a a a
vainnoissa t on toiminta- tai elinaika, β on tutkittavan kovariaatin indikaat-
torimuuttujavektori (esim. kuoliko potilas, 1=kyll¨, 0=ei) ja x on kovariaat-
a
ti, jota halutaan tutkia. Tiheysjakauma on siis muotoa f (t, β, x). Itse like-
lihoodfunktio saadaan tutkimalla tapauksia (t, 1, x) ja (t, 0, x) erikseen. Ta-
pauksessa (t, 1, x) tiedet¨an varmasti, ett¨ elinaika oli t, ja havainto kertoo
a¨ a
kuinka todenn¨k¨ist¨ potilaan, jolla on havaittu x, on kuolla ajanhetkell¨
a o a a
t. T¨m¨ saadaan tiheysfunktiosta f (t, β, x). Tapauksessa (t, 0, x) tiedet¨¨n,
a a aa
ett¨ elinaika on v¨hint¨¨n t. T¨ll¨in havainto kertoo kuinka todenn¨k¨ist¨
a a aa a o a o a
potilaan on selvit¨ hengiss¨ v¨hint¨¨n aika t. T¨m¨ todenn¨k¨isyys saadaan
a a a aa a a a o
selvi¨misfunktiosta S(t, β, x).
a
Mik¨li oletetaan riippumattomat muuttujat, saadaan likelihoodfunktio ker-
a
tomalla havaintojen todenn¨k¨isyydet yhteen:
a o
n
l(β) = {[f (ti , β, xi )]ci × [S(ti , β, xi )]1−ci }, (5)
i=1
jossa c = 0 tai 1. T¨st¨ saadaan log-likelihood
a a
n
L(β) = {ci ln [f (ti , β, xi )] + (1 − ci ) ln [S(ti , β, xi )]} (6)
i=1
joka pyrit¨¨n maksimoimaan. Mallin 3 mukaan elinaikojen logaritmin jakau-
aa
ma on muotoa β0 + β1 x + G(0, 1) = G(β0 + β1 x, 1). Malli voidaan kirjoittaa
3
5. θ = y − (β0 + β1 x) ∼ G(0, 1) ja sijoittaa Gumbel-jakauman tiheys- ja toimin-
tatodenn¨k¨isyysfunktioihin, saadaan
a o
S(y, β, x) = e− exp (y−(β0 +β1 x)) (7)
f (y, β, x) = e(y−(β0 +β1 x)−exp (y−(β0 +β1 x))) (8)
ja n¨m¨ sijoittamalla yht¨l¨¨n 6 saadaan log-likelihoodiksi
a a a oo
n
L(β) = ci ln e(yi −(β0 +β1 xi )−exp (yi −(β0 +β1 xi ))) + (1 − ci ) ln e− exp (yi −(β0 +β1 xi ))
i=1
n
= ci (y − (β0 + β1 xi )) − e(yi −(β0 +β1 xi )) . (9)
i=1
Ottamalla derivaatat log-likelihoodista parametrien β0 ja β1 suhteen ja aset-
tamalla nollaksi saadaan yht¨l¨iden maksimoivat parametriarvot regressiolle
ao
seuraavasti
n
ci − e(yi −(β0 +β1 xi )) = 0 (10)
i=1
n
xi ci − e(yi −(β0 +β1 xi )) = 0. (11)
i=1
Yht¨l¨t ovat ep¨lineaarisia ja ne t¨ytyy ratkaista iteratiivisin menetelmin.
ao a a
[6]
Yleisimmin k¨ytetty toimintatodenn¨k¨isyysfunktion estimointimenetelm¨
a a o a
on k¨ytt¨¨ Kaplan-Meier -estimaattoria:
a aa
ˆ ni − di ˆ
S(t) = , kun S(t) = 1 jos t < t(1) . (12)
t(i) ≤t ni
Yll¨olevassa ni on niiden yksik¨iden lukum¨ar¨ aikav¨lill¨ ti , jotka ovat
a o a¨ a a a
vaarassa vikaantua ja di on kyseisell¨ aikav¨lill¨ havaittujen vikaantumis-
a a a
ten m¨¨r¨. Estimaattori toimii tilanteessa, jossa oletetaan, ett¨ n havainnon
aa a a
joukossa on m ≤ n vikaantumista. Toimintatodenn¨k¨isyysfunktion Kaplan-
a o
Meier -estimaattori on yksitt¨isten ehdollisten toimintatodenn¨k¨isyyksien
a a o
S(t(i) )
tulo. Yksitt¨inen ehdollinen toimintatodenn¨k¨isyys on muotoa αi = S(t(i−1) ) .
a a o
Kaplan-Meier -estimaattorista saadaan kumulatiivisen hasardifunktion esti-
maatti:
ˆ ˆ ni − di di
H(t) = − ln S(t) = − ln = − ln 1 −
t(i) ≤t ni t(i) ≤t ni
4
6. Heikkousmallit
Yhden muuttujan heikkousmallit
Perustilanne elinaikamallien k¨yt¨lle kliinisiss¨ tutkimusprojekteissa olettaa,
a o a
ett¨ elinaikadata eri potilailta on toisistaan riippumatonta, ja ett¨ jokaisen
a a
potilaan yksil¨llinen elinaikajakauma on sama (riippumattomat ja samoin ja-
o
kautuneet vikaantumisajat).
T¨m¨ perusoletus viittaa homogeeniseen populaatioon. Kuitenkin kliinisiss¨
a a a
kokeissa havaitaan usein k¨yt¨nn¨n tilanteissa, ett¨ potilaat eroavat toi-
a a o a
sistaan huomattavasti. L¨¨kkeen, hoidon tai erilaisten selitt¨vien muuttu-
aa a
jien vaikutus voi olla huomattavan erilainen eri potilaiden osaryhmiss¨. Jot-
a
ta havaitsematon heterogeenisyys voitaisiin selitt¨¨ tutkitussa populaatios-
aa
sa, Vaupel et al. ottivat k¨ytt¨¨n yhden muuttujan heikkousmallit elinaika-
a oo
analyysiin. Ideana on, ett¨ yksil¨ill¨ on erilaiset heikkoudet ja ett¨ kaikkein
a o a a
heikoimmat potilaat kuolevat ennen muita. T¨m¨n seurauksena on robustien
a a
yksil¨iden (potilaiden, joilla on matala heikkous) systemaattinen valituksi tu-
o
leminen. Estimoitaessa kuolleisuuslukuja saatetaan olla kiinnostuneita siit¨,a
kuinka n¨m¨ luvut muuttuvat ajan tai i¨n funktiona. Useasti voidaan to-
a a a
deta hasardifunktion (kuolleisuuden) kasvavan alussa, sen j¨lkeen saavutta-
a
van maksimin ja t¨m¨n j¨lkeen laskevan (unimodaalinen intensiteetti) tai
a a a
tasoittuvan vakioarvoon. Mit¨ kauemmin potilas el¨¨ sairauden ilmenemi-
a aa
sen j¨lkeen, sit¨ suuremmat ovat h¨nen todenn¨k¨isyytens¨ selvit¨. On to-
a a a a o a a
denn¨k¨ist¨, ett¨ unimodaaliset intensiteetit ovat usein seurausta valintapro-
a o a a
sessista heterogeenisess¨ populaatiossa ja ne eiv¨t kuvaa yksil¨n kuolleisuut-
a a o
ta. Populaation intensiteetti saattaa alkaa laskea pelk¨st¨¨n korkeariskisten
a aa
yksil¨iden jo kuoltua pois populaatiosta. Tietyn yksil¨n riskitaso saattaa hy-
o o
vinkin kuitenkin olla kasvussa. Jos suojaavat tekij¨t tai riskit ovat tunnet-
a
tuja, ne voidaan lis¨t¨ malliin k¨ytt¨m¨ll¨ suhteellista hasardimallia (Coxin
aa a a a a
malli):
h(t, X) = h0 (t) exp (β T X) (13)
jossa h0 (t) on perustason hasardifunktio jonka oletetaan olevan eri kaikille
yksil¨ille tutkittavassa populaatiossa, X on havaittujen kovariaattien vek-
o
tori ja β on vastaava estimoitavien regressioparametrien vektori. Mallin
matemaattinen k¨ytt¨kelpoisuus perustuu perustason hasardifunktion h0 (t)
a o
ik¨¨ntymisen vaikutusten ja parametrisen termin exp (β T X) kovariaattien
aa
vaikutusten erotteluun.
On olemassa kaksi p¨¨syyt¨ sille, miksi usein on mahdotonta sis¨llytt¨¨ kaik-
aa a a aa
kia t¨rkeit¨ tekij¨it¨ yksil¨tason analyysiin. Joskus mallissa on liian paljon
a a o a o
tutkittavia kovariaatteja. Joskus tutkija ei tied¨ kaikkia relevantteja kovari-
a
aatteja tai ei h¨n ei pysty niit¨ mittaamaan. Molemmissa tapauksissa elinai-
a a
5
7. kadatalla on kaksi vaihtelua aiheuttavaa tekij¨¨: mitattavien riskitekij¨iden
aa o
selitt¨v¨ varianssi, joka on t¨ll¨in teoreettisesti ennustettavissa, ja tunte-
a a a o
mattomien kovariaattien aiheuttama heterogeenisyys, joka ei ole teoreetti-
sesti ennustettavissa vaikka kaikki relevantti informaatio tunnettaisiinkin.
N¨iden kahden erottaminen tuo etuja, sill¨ heterogeenisyys voi selitt¨¨ joi-
a a aa
tain ”odottamattomia”tuloksia tai voi tarjota joillekin vaihtoehtoisen selityk-
sen. Tarkastellaan esimerkiksi ei-suhteellisia hasardeja tai laskevia hasardeja
kun odottamaton varianssi ilmi¨ss¨ pysyy.
o a
Suhteellisessa hasardimallissa t¨rkeiden kovariaattien osajoukon poisj¨tt¨
a a o
mallista johtaa biasoituihin estimaatteihin sek¨ regressiokertoimissa ett¨ ris-
a a
kitasossa. Syy t¨m¨nkaltaisille virheille on siin¨, ett¨ aikariippuvat riskitasot
a a a a
johtavat tutkittavan populaation rakenteen muuttumiseen kovariaattien suh-
teen ajan kuluessa.
Jos kaksi potilasryhm¨¨ on kliinisess¨ kokeessa, jossa jotkut yksil¨t kokevat
aa a o
suuremman vikaantumisen riskin, t¨ll¨in j¨ljelle j¨¨neet potilaat muodos-
a o a aa
tavat enemm¨n tai v¨hemm¨n valitun ryhm¨n, jolla on alhaisempi riskita-
a a a a
so. Yksil¨llisen riskitason estimaatti (jos ei oteta huomioon havaitsematonta
o
heikkoutta) olisi t¨ll¨in todellisen hasardifunktion aliarvio, ja aliarvioinnin
a o
m¨¨r¨ kasvaisi ajan kuluessa.
aa a
Yhden muuttujan heikkousmalli laajentaa Coxin mallia siten, ett¨ yksil¨n
a o
hasardi riippuu lis¨ksi havaitsemattomasta satunnaismuuttujasta z, joka on
a
perustason hasardifunktion h kerroin:
h(t, z, X) = zh0 (t) exp (β T X) (14)
jossa muut tekij¨t ovat samat kuin ylemm¨ss¨, ja z on heikkousmuuttuja.
a a a
Heikkous z on satunnaismuuttuja, joka vaihtelee populaatiossa joko kasvat-
taen (z > 1) tai pienent¨en (z < 1) yksil¨llist¨ riski¨. Heikkous vastaa alttiu-
a o a a
den tai haitan k¨sitett¨ eri olosuhteissa. [17] T¨rkein heikkouden ominaisuus
a a a
on kuitenkin se, ettei se ole havaittavissa. Vastaava selviytymisfunktio S,
joka kuvaa selvi¨vien yksil¨iden osuutta tutkittavassa populaatiossa, on
a o
t
S(t|z, X) = exp −z exp (β T X) h0 (s)ds (15)
0
ja se voidaan tulkita niiden yksil¨iden osuudeksi, jotka selvi¨v¨t ajan t
o a a
seurannan aloittamisesta annettuna kovariaattivektori X ja heikkous z. Huo-
mattavaa on, ett¨ yht¨l¨t 14 ja 15 kuvaavat saman mallin eri merkinn¨ill¨.
a ao o a
T¨h¨n asti mallia on kuvattu yksil¨iden tasolla. Yksil¨iden taso ei ole kuiten-
a a o o
kaan havainnoitavissa. T¨st¨ seuraa, ett¨ on tarpeellista tarkastella mallia
a a a
populaatioiden tasolla. Koko populaation selviytymisfunktio on yksitt¨isten
a
selviytymisfunktioiden 15 keskiarvo. Se voidaan tulkita satunnaisesti valitun
6
8. populaation j¨senen keskiarvona, ja se vastaa sit¨ mik¨ oikeasti havaitaan.
a a a
Huomattavaa on, ett¨ havaittu hasardifunktio ei ole samankaltainen yksil¨n
a o
riskitason kanssa. Se, mik¨ voidaan havaita populaatiosta, on yhteistulos
a
usealle yksil¨lle joilla on eri heikkous z. Populaation riskitaso voi olla t¨ysin
o a
erimuotoinen verrattuna yksil¨n riskitasoon. T¨m¨ on n¨ht¨viss¨ kuvasta 1.
o a a a a a
Punainen viiva kuvassa kuvaa ehdollisia (yksil¨llisi¨) riskitasoja heikkouk-
o a
silla 0.5, 1 ja 2. Sininen viiva kuvaa ehdotonta (populaation) riskitasoa.
Er¨s t¨rke¨ heikkousmallien alan ongelma on heikkouden jakauman valinta.
a a a
Kuva 1: Ehdolliset ja ehdottomat riskitasot simuloidussa datajoukossa ih-
misten kuolleisuudesta
Heikkousjakaumina on useiten k¨ytetty gammafunktiota [3, 18], positiivista
a
tasapainojakaumaa [12], kolmiparametrista jakaumaa (PVF) [13], suljettua
Poisson-jakaumaa [9, 10] ja log-normaalista jakaumaa [1].
Yhden muuttujan heikkousmalleja sovelletaan laajalti. Aalen ja Tretli [11]
k¨yttiv¨t suljettua Poisson-jakaumaa yll¨ esiteltyyn kivessy¨p¨dataan. Mal-
a a a o a
lin ideana oli, ett¨ er¨s miesten osaryhm¨ on erityisen altis kivessy¨v¨lle,
a a a o a
joka ilmenee ajan kuluessa. Toinen esimerkki on data pahalaatuisesta mela-
noomasta, joka sis¨lsi tietoja potilaista jotka olivat saaneet leikkaushoitoa
a
ihosy¨v¨n hoitoon Odensen yliopistollisessa sairaalassa Tanskassa. Hougaard
o a
vertasi tavallista Coxin regressiomallia ja PVF-heikkousmallia kesken¨¨n aa
t¨m¨n datan analyysiss¨. [14]
a a a
Kolmas esimerkki k¨sitteli aikaa katetrin sy¨tt¨misest¨ sen poisottamiseen
a o a a
7
9. infektion takia dialyysipotilailla. McGilchrist ja Asbett julkaisivat osan
datasta vuonna 1991. [1] Hougaard k¨ytti vuonna 2000 dataan yhden
a
muuttujan gammajakautunutta heikkousmallia selitt¨m¨¨n datan hetero-
a aa
geenisyytt¨. [14]
a
Heikkousmallin estimointi EM-algoritmilla
Jatkuvan ajan gamma-heikkousmallin estimointiin k¨ytet¨an tyypillisesti jo-
a a¨
tain likelihood-pohjaista menetelm¨¨. Menetelmi¨ ovat mm. EM-algoritmi
aa a
(expectation maximisation), penalisoitu osittainen likelihood ja Bayes-
analyysi. [4] Yksityiskohtaisen k¨sittelyn EM-algoritmin k¨yt¨st¨ elinaika-
a a o a
datalle ovat esitt¨neet Klein ja Moeschberger. [15] EM-algoritmia k¨ytet¨¨n
a a aa
estimoimaan regressioparametreja gamma-heikkousmallille, joilla on kiinni-
tetyt varianssiparametrit. Algoritmin vaiheet ovat seuraavanlaiset:
1. Sovita suhteellinen hasardimalli, jossa on tutkittavat kovariaatit. Es-
o ˆ
timoi jokaiselle koehenkil¨lle perustason hasardifunktio H0 (ti ). K¨yt¨
a a
t¨t¨ estimaattia saadaksesi jokaiselle potilaalle kumulatiivinen hasar-
aa
difunktio
ˆ ˆ ˆ ˆ
H(ti , β, xi ) = H0 (ti ) exp (β T xi )
2. Luo gamma-jakautuneen heikkouden mahdollisten varianssiparametrin
arvojen θ joukko. Jokaiselle parametriarvolle θ toistetaan kohdat 3, 4
ja 5.
3. Estimointiaskel (E) m¨aritt¨a jokaiselle koehenkil¨lle heikkousmuuttu-
a¨ a¨ o
jan estimaatin
1 + θ × ci
zi =
ˆ
ˆ ˆ
1 + θ × H(ti , β, xi )
4. Maksimointiaskeleella (M) sovitetaan suhteellinen hasardimalli samoil-
le kovariaateille, mutta lis¨t¨¨n hasardifunktioon my¨s zi . Ensin esti-
a aa o ˆ
moidaan perustason hasardifunktio
ˆ cj
hf 0 (ti ) = ,
l∈R(tj ) zi
ˆ ˆ
exp (β T xi )
jonka j¨lkeen saadaan kumulatiivinen perustason hasardifunktio
a
ˆ
Hf 0 (ti ) = ˆ
hf 0 (tj ),
tj ≤ti
8
10. josta saadaan kumulatiivinen heikkouden sis¨lt¨v¨ hasardifunktio
a a a
ˆ ˆ ˆ ˆ
Hf (ti , β, xi ) = Hf 0 (ti ) exp (β T xi ).
E- ja M-askeleita toistetaan kunnes algoritmi suppenee.
5. Laske mallin log-likelihood k¨ytt¨m¨ll¨ tietty¨ arvoa θ:lle
a a a a a
n n
ˆ ˆ 1 ˆ ˆ
L(θ, β) = ci β T xi + ln (hf 0 (ti )) − + ci ln 1 + θHf (ti , β, xi )
i=1 i=1 θ
Kohdat 1-5 on toistettava kaikille valituille θ:n arvoille. ML-estimaatti saa-
daan sill¨ θ:n arvolla, joka maksimoi likelihood-funktion.
a
Usean muuttujan heikkousmallit
Toinen t¨rke¨ heikkousmallien sovellus on usean muuttujan elinaikadata.
a a
T¨llaista dataa esiintyy esim. jos tarkastellaan sukulaisten, esimerkiksi kak-
a
sosten, elinaikoja (tai sairauksien puhkeamisaikoja) tai uusiutuvia tapah-
tumia kuten infektioita samalla henkil¨ll¨. T¨llaisissa tapauksissa kluste-
o a a
roitujen elinaikojen riippumattomuutta ei voida olettaa. Monen muuttujan
mallit kykenev¨t selitt¨m¨¨n tapausten v¨lisen riippuvuuden olemassaolon.
a a aa a
Monesti k¨ytetty ja yleinen l¨hestymistapa on m¨aritt¨a havaittujen da-
a a a¨ a¨
tan¨ytteiden ehdollinen riippumattomuus havaitsemattomien piilomuuttu-
a
jien suhteen. [14] Riippuvaisuusrakenne monen muuttujan tilanteessa syntyy
useasti havaittujen ehdollisten elinaikamallien piilomuuttujasta. Esimerkik-
si, olkoon S(t1 |z, X1 ) ja S(t2 |z, X2 ) kahden kesken¨¨n sukulaisia olevan hen-
aa
kil¨n ehdolliset selviytymisfunktiot eri havaituilla kovariaattivektoreilla X1
o
ja X2 . Keskiarvoistamalla piilomuuttujien oletettujen jakaumien yli (esim.
k¨ytt¨m¨ll¨ gamma-, lognormaali- tai tasapainojakaumaa) luodaan monen
a a a a
muuttujan malli havaitulle datalle. Parillisten havaintojen tapauksessa kak-
siulotteinen selviytymisfunktio on muotoa
∞
S(t1 , t2 ) = S(t1 |z, X1 )S(t2 |z, X2 )g(z)dz (16)
0
jossa g on heikkouden z tiheysjakauma. Kaksosten tapauksessa S(t1 , t2 ) ku-
vaa suhteellista osuutta niist¨ kaksospareista, joissa ensimm¨inen kaksonen
a a
el¨¨ ajan t1 ja toinen el¨¨ ajan t2 .
aa aa
Monen muuttujan heikkousmallit useampiulotteiselle datalle johdetaan
ehdollisesta riippumattomuudesta m¨¨ritt¨m¨ll¨ piilomuuttujat jotka ovat
aa a a a
perustason hasardifunktion tulotekij¨it¨.
o a
9
11. Jaetun heikkouden malli
Jaetun heikkouden malli on relevantti tutkittaessa sukulaisten tapahtuma-
aikoja, samanlaisia elimi¨ tai toistettuja mittauksia. Samassa klusterissa ole-
a
vien yksil¨iden oletetaan omaavan sama heikkous z. Ensimm¨isen¨ mallia
o a a
k¨ytti Clayton [3], ja sit¨ on paljon tutkinut Hougaard [14]. Selviytymisai-
a a
kojen oletetaan olevan ehdollisesti riippumattomia yhteisen heikkouden suh-
teen. Yksinkertaisuuden vuoksi seuraavassa tarkastellaan vain kahden muut-
tujan tapausta (ni = 2), sill¨ yleist¨minen useamman muuttujan tapaukseen
a a
on suoraviivaista.
Oletetaan, ett¨ datassa on n klusteria ja ett¨ i:nness¨ klusterissa on ni yk-
a a a
sil¨¨, joihin vaikuttaa havaitsematon satunnaisvaikutus (heikkous) zi (1 ≤
oa
i ≤ n). Elinaikojen oletetaan olevan riippumattomia ehdolla heikkoudet zi ja
niiden hasardifunktiot ovat muotoa h(t, zi ) = zi h0j (t), jossa t on aika tai ik¨
a
ja h0j , (j = 1, ..., ni ) on perustason hasardifunktio j:nnelle vikaantumiselle.
Heikkouksien zi oletetaan olevan riippumattomia ja samoin jakautuneita yh-
teisell¨ tiheysfunktiolla f (z, θ), jossa θ on heikkousjakauman parametri. Se-
a
miparametrisessa jaetun heikkouden mallissa perustason hasardifunktioiden
h0j muodosta ei tarvitse tehd¨ alkuoletuksia. Havaitut kovariaatit lis¨t¨¨n
a a aa
malliin my¨hemmin.
o
Mallin perusoletus on, ett¨ yksitt¨isen parin tietyn yksil¨n hasardifunktio
a a o
ehdolla heikkous z on yht¨l¨n 14 muotoa, jossa z on sama molemmille parin
ao
osapuolille, ja se synnytt¨a riippuvuuden parin elinaikojen v¨lille. Elinaiko-
a¨ a
jen riippumattomuus vastaisi heikkousjakaumaa, jolle p¨tee (z = 1, σ 2 = 0).
a
2
Kaikissa tapauksissa, joissa σ > 0, riippuvuus on positiivinen johtuen mal-
lin rakenteesta.
Kahden muuttujan selviytymisfunktio ehdolla heikkous on muotoa
S(t1 , t2 |z) = S1 (t1 )z S2 (t2 )z = e−z(Λ01 (t1 )+Λ02 (t2 )) , (17)
jossa Λ0j (t) = 0t h0j (s)ds, (j = 1, 2) ja S0j (t) = e−Λ0j (t) ovat kumulatii-
vinen perustason hasardifunktio sek¨ marginaalijakaumien selviytymisfunk-
a
tiot. Keskiarvoistamalla funktion 17 heikkouden yli saadaan
S(t1 , t2 ) = E[S(t1 , t2 |z)] = E[S01 (t1 )z S02 (t2 )z ]
= E[e−z(Λ01 (t1 )+Λ02 (t2 )) ] = L(Λ01 (t1 ) + Λ02 (t2 )), (18)
jossa L tarkoittaa z:n Laplace-muunnosta. Kahden muuttujan elinaikafunk-
tio ilmaistaan siis heikkousjakauman Laplace-muunnoksena kumulatiivisen
perustason hasardin kohdalla arvioituna.
Monissa sovellutuksissa oletetaan, ett¨ heikkouden jakauma on gammaja-
a
kautunut odotusarvolla 1 ja varianssilla σ 2 . Keskiarvoistamalla ehdollisen
10
12. selviytymisfunktion yli tuottaa t¨ll¨ oletuksella funktion
a a
2
S(t1 , t2 ) = L(Λ01 (t1 ) + Λ02 (t2 )) = (1 + σ 2 (Λ01 (t1 ) + Λ02 (t2 )))−1/σ
2 2 2
= (S1 (t1 )−σ + S2 (t2 )−σ − 1)−1/σ (19)
Jaetun heikkouden k¨site eroaa alkuper¨isest¨ Vaupel et al. esittelem¨st¨
a a a a a
yksil¨llisest¨ heikkoudesta, sill¨ kahden muuttujan jaetun heikkouden mal-
o a a
lissa heikkous on vain osa yksil¨llist¨ heikkoutta, ja se pyrkii kuvaamaan sit¨
o a a
heikkoutta, joka on yhteist¨ molemmille parin osapuolille.
a
Jaettu heikkous selitt¨¨ koehenkil¨iden ja klustereiden v¨lisen korrelaation.
aa o a
Sill¨ on kuitenkin omat rajoituksensa. Ensinn¨kin se pakottaa havaitsematto-
a a
mat tekij¨t samoiksi klusterin sis¨ll¨, joka ei v¨ltt¨m¨tt¨ aina vastaa todelli-
a a a a a a a
suutta. Esimerkiksi joskus voi olla ep¨soveliasta olettaa, ett¨ kaikki klusteris-
a a
sa olevat parit jakavat samat riskitekij¨t. [19] Toiseksi klusterin sis¨isten eli-
a a
naikojen v¨linen riippuvuus perustuu elinaikojen marginaalijakaumiin. Kun
a
suhteellisessa hasardimallissa on gammajakautunut heikkoustekij¨ sek¨ ko-
a a
variaatteja, riippuvuusparametri ja populaation heterogeenisyys sekoittuvat.
[2] T¨m¨ viittaa siihen, ett¨ yhteisjakauma voidaan m¨¨ritt¨¨ marginaalija-
a a a aa aa
kaumista. [13] Kolmanneksi, useimmissa tapauksissa yksidimensioinen heik-
kous voi aiheuttaa vain suoria verrannollisuuksia klusteriin. On kuitenkin
olemassa tilanteita joissa elinajat ovat k¨¨nt¨en verrannollisia. Esim. Stan-
aa a
fordin syd¨mensiirtotutkimuksessa havaittiin, ett¨ mit¨ kauemmin henkil¨
a a a o
joutui odottamaan syd¨nt¨, sit¨ v¨hemm¨n aikaa h¨nen oli todenn¨k¨ist¨
a a a a a a a o a
el¨¨ syd¨mensiirron j¨lkeen. Korreloidut heikkousmallit kehitettiin vastaa-
aa a a
maan n¨ihin ongelmiin.
a
Korreloidut heikkousmallit
Alunperin korreloidut heikkousmallit kehitettiin analysoimaan kahden muut-
tujan vikaantumisaikadataa, jossa k¨ytet¨¨n kahta muuttujaa kuvaamaan
a aa
heikkousvaikutusta kummallekin parille. Esimerkiksi yksi satunnaismuuttu-
ja kuvaa ensimm¨ist¨ parin osapuolta, ja toinen satunnaismuuttuja toista,
a a
jolloin n¨ill¨ ei en¨¨ ole yhteist¨ heikkousmuuttujaa. N¨m¨ kaksi muuttujaa
a a aa a a a
ovat yhteisjakautuneet. Yhden muuttujan tunteminen ei tarkoita sit¨ ett¨ a a
toinenkin tunnettaisiin. Muuttujat voivat olla my¨s k¨¨nt¨en verrannollisia,
o aa a
joka n¨kyy elinajoissa k¨¨nteisen¨ verrannollisuutena.
a aa a
Tarkastellaan kahden muuttujan havaintodataa, esimerkiksi kaksosten eli-
naikoja. Parin i, (i = 1, 2, ..., n) yksil¨n j, (j = 1, 2) hasardifunktio ehdolla
o
heikkoudet on muotoa
h(tj , zij ) = zij h0j (t) exp (xj βj ), (20)
11
13. jossa h0j (t) ovat jotkin perustason funktiot ja zij ovat havaitsemattomat sa-
tunnaisvaikutukset. Perustuen edell¨olevaan hasardifunktioon, saadaan eh-
a
dollinen selviytymisfunktio tapahtuma-ajoille
Sj (tj |zj ) = e−Λ0j (tj )zj exp (xj βj ) (21)
jossa
t
Λ0j (t) = h0j (t)dt (22)
0
on kumulatiivinen perustason hasardifunktio hetkell¨ t tyypin j yksil¨lle kai-
a o
kissa klustereissa.
Marginaalisen likelihood-funktion johtamiseksi t¨ytyy olettaa, ett¨ elinajat
a a
ovat ehdollisesti riippumattomia. Olkoon cij sensuuri-indikaattori parin i yk-
sil¨lle j. Indikaattori saa arvon 1, jos yksil¨ on kokenut tutkittavan tapahtu-
o o
man, ja 0 muulloin. Parin i yksil¨n j ehdollinen likelihood on
o
L(tij , cij |zij ) = (zij h0j (tij ))cij ezij Λ0j (tij ) . (23)
Olettaen ehdollisesti riippumattomat elinajat annettuna heikkous ja integroi-
malla pois satunnaisvaikutukset saadaan marginaalitodenn¨k¨isyys
a o
n
∗
L(t, c) = (zi1 h∗ (ti1 ))ci1 ezi1 Λ01 (ti1 )
01
i=1 R+ ×R+
∗
∗ (zi2 h∗ (ti2 ))ci2 ezi2 Λ02 (ti2 ) fz (zi1 , zi2 )dzi1 dzi2 ,
02 (24)
jossa t = (t1 , ..., tn ), ti = (ti1 , ti2 ), c = (c1 , ..., cn ), ci = (ci1 , ci2 ) ja fz (·, ·) on
vastaava heikkouden tiheysfunktio. Lis¨ksi h∗ (tij ) = h0j (tij ) exp (xij βj ) ja
a 0j
∗
Λ0j (tij ) = Λ0j (tij ) exp (xij βj ).
Olettaen heikkouden gammajakautuneiksi Yashin ja Iachine k¨yttiv¨t korre- a a
loitua gamma-heikkousmallia kahden muuttujan selviytymisjakaumaan, joka
on muotoa [5]
S1 (t1 )1−ρ S2 (t2 )1−ρ
S(t1 , t2 ) = . (25)
(S1 (t1 )−σ2 + S2 (t2 )−σ2 − 1)ρ/σ2
Kahden muuttujan heikkousmallin estimointi
Jotta yht¨l¨ (24) voitaisiin ratkaista parametrisesti, t¨ytyy heikkouksia ku-
ao a
vata kahden muuttujan yhteisjakaumalla. Kahden muuttujan lognormaalija-
kauma valitaan heikkouksien yhteisjakaumaksi seuraavista syist¨: a
• Heikkous voidaan tulkita normaalijakautuneeksi vakiotermiksi suhteel-
listen hasardien mallissa. Olkoon w1 = log (z1 ) ja w2 = log (z2 ).
12
14. 2 2
a 2
Jos nyt (z1 , z2 ) ∼ BV LOG N(0, 0, σ1 , σ2 , ρ), miss¨ σ1 = Var(z1 ) ja
2
σ2 = Var(z2 ) ja ρ = corr(w1 , w2 ). Yht¨l¨ (20) voidaan kirjoittaa
ao
h(tj |wj ) = h0j (tj )ewj +xj βj (26)
• Koska w1 ja w2 ovat keskiarvon suhteen symmetrisi¨, eli (−w1 , −w2 ) ∼
a
2 2
BV N(0, 0, σ1 , σ2 , ρ), yht¨l¨ (20) voidaan yleist¨¨
ao aa
h0j (tj )exj βj
h(tj |zj ) = (27)
zj
• Korrelaatio ρ on v¨lill¨ [−1, 1]. Lis¨ksi ρ ei riipu w:den keskiarvoista
a a a
tai variansseista.
Koska yht¨l¨lle (24) ei ole olemassa sujletun muodon ratkaisua kun
ao
(z1 , z2 ) ovat log-normaalisti yhteisjakautuneet, joudutaan k¨ytt¨m¨¨n EM-
a a aa
algoritmia. Muunnettua EM-algoritmia k¨ytet¨¨n estimoimaan kertoimet
a aa
β1 ja β2 sek¨ heikkousparametrit σ1 , σ2 ja ρ. Alla on esitetty lyhyesti semi-
a
parametrisen algoritmin kulku, joka ei oleta perustason hasardifunktioista
mit¨¨n. [19]
aa
1. K¨ytt¨m¨ll¨ hyv¨ksi standardia Coxin regressiomallia estimoi para-
a a a a a
metreille β1 ja β2 alkuarvot profiilin likelihood-funktiosta
n
∗∗
lj = s(i)j βj − d(i)j ln zkj eβj xkj
ˆ (28)
i=1 k∈R(T(i)j )
jossa T(i)j on i:nneksi pienin tapahtuma-aika kaikille tyypin j hen-
kil¨ille, R(t) on riskijoukko ajanhetkell¨ t, d(i)j on kuolemien m¨¨r¨
o a aa a
ajanhetkell¨ T(i)j kaikkien tyypin j henkil¨iden keskuudessa ja s(i)j on
a o
tyypin j henkil¨iden kovariaattivektorien summa tapahtumahetkell¨
o a
2 2
T(i)j , j = 1, 2. Parametrien σ1 , σ2 ja ρ alkuarvot ovat nollia.
2. E-askel: K¨ytt¨m¨ll¨ t¨m¨nhetkisi¨ parametrien β1 , β2 ,
a a a a a a a
σ1 , σ2 ja ρ arvoja laske odotusarvot estimaattoreille
ˆ
E(zij |Ti1 , Ti2 , xi1 , xi2 ) = zij , E(log (zij )2 |Ti1 , Ti2 , xi1 , xi2 ) = log(zij )2 ja
ˆ
E(log (zi1 ) log (zi2 )|Ti1 , Ti2 , xi1 , xi2 ) = log (z1 )ˆlog (z2 ).
Jos molemmat parin tapahtuma-ajat ovat sensuroituja, niin
zij S(ti1 , ti2 |zi1 , zi2 , xi1 , xi2 )f (zi1 , zi2 )dzi1 dzi2
zij =
ˆ , (29)
S(ti1 , ti2 |xi1 , xi2 )
13
15. jossa
∗ ∗
S(ti1 , ti2 |zi1 , zi2 , xi1 , xi2 ) = e−zi1 Λi1 (ti1 )−zi2 Λi2 (ti2 ) (30)
ja
∗ ∗
S(ti1 , ti2 |xi1 , xi2 ) = e−zi1 Λi1 (ti1 )−zi2 Λi2 (ti2 ) f (zi1 , zi2 )dzi1 dzi2 (31)
Jos jompi kumpi tapahtuma-ajoista on t¨ydellinen (olet. Ti1 ) ja toinen
a
on sensuroitu, niin
zij S(ti1 , ti2 |zi1 , zi2 , xi1 , xi2 )zi1 f (zi1 , zi2 )dzi1 dzi2
zij =
ˆ (32)
S(ti1 , ti2 |zi1 , zi2 , xi1 , xi2 )zi1 f (zi1 , zi2 )dzi1 dzi2
Jos molemmat tapahtuma-ajoista ovat t¨ydellisi¨, niin
a a
zij S(ti1 , ti2 |zi1 , zi2 , xi1 , xi2 )zi1 zi2 f (zi1 , zi2 )dzi1 dzi2
zij =
ˆ (33)
S(ti1 , ti2 |zi1 , zi2 , xi1 , xi2 )zi1 zi2 f (zi1 , zi2 )dzi1 dzi2
Samalla tavoin voidaan laskea my¨s log(zij )2 ja log (z1 )ˆlog (z2 )
o ˆ
3. M-askel: P¨ivit¨ estimaatit σ1 :lle, σ2 :lle ja ρ:lle k¨ytt¨m¨ll¨ kaavoja
a a a a a a
2
σ1 = (logzˆ i1 )2 /n, σ 2 = (logzi2 )2 /n ja ρ = (log zi1ˆlog zi2 )/n.
ˆ
2
P¨ivit¨ lis¨ksi kertoimien β1 ja β2 estimaatteja, sek¨ ei-parametrista
a a a a
estimaattia Λ0j (t):lle:
ˆ d(i)j
Λ0j (t) = (34)
T (i)j<t
ˆ βj xkj
k∈R(T(i)j ) zkj e
4. Iteroi vaiheita 2 ja 3 kunnes suppenee.
14
16. Kirjallisuutta
[1] McGilchrist C. A. and Aisbett C. W. Regression with frailty in survival
analysis. Biometrics, 47:461–466, 1991.
[2] Clayton D. and Cuzick J. The semi-parametric pareto model for regres-
sion analysis of survival times. Proceedings of the Centenary Session of
the International Statistical Institute, Amsterdam, 1985.
[3] Clayton D.G. A model for association in bivariate life tables and its
application in epidemiological studies of familial tendency in chronic
disease incidence. Biometrika, 65:141–151, 1978.
[4] Masonnet G., Janssen P., and Burzykowski T. Fitting frailty models via
linear mixed models using model transformation.
[5] Yashin A. I. and Iachine I. A. Genetic analysis of durations: Correlated
frailty model applied to survival of danish twins. Genetic Epidemiology,
12:529–538, 1995.
[6] Hosmer D. W. Jr. and Lemeshow S. Applied Survival Analysis: Regres-
sion Modeling of Time to Event Data. John Wiley & Sons, 1999.
[7] Andersen P. K., Klein J. P., and Zhang M.-J. Testing for centre effects
in multi-centre survival studies: A monte carlo comparison of fixed and
random effects tests. Statistics in Medicine, 18:1489–1500, 1999.
[8] Manton and Stallard. Methods for evaluating the heterogeneity of aging
processes in human populations using vital statistics data: explaining
the black/white mortality crossover by a model of mortality selection.
Human Biology, 53:47–67, 1981.
[9] Aalen O. O. Heterogeneity in survival analysis. Statistics in Medicine,
7:1121–1137, 1988.
15
17. [10] Aalen O. O. Modelling heterogeneity in survival analysis by the com-
pound poisson distribution. Annals of Applied Probability, 4(2):951–972,
1992.
[11] Aalen O. O. and Tretli S. Analysing incidence of testis cancer by means
of a frailty model. Cancer Causes and Control, 10:285–292, 1999.
[12] Hougaard P. A class of multivariate failure time distributions. Biomet-
rika, 73:671–678, 1986.
[13] Hougaard P. Survival models for heterogeneous populations derived
from stable distributions. Biometrika, 73:671–678, 1986.
[14] Hougaard P. Analysis of multivariate survival data. Springer, New York,
2000.
[15] Klein J. P. and Moeschberger M. L. Survival Analysis Techniques for
Censored and Truncated Data. Springer-Verlag, 1997.
[16] Cox D. R. Regression models and life-tables. Journal of the Royal
Statistical Society B, 34:187–220, 1972.
[17] Falconer D. S. The inheritance of liability to diseases with variable age of
onset, with particular reference to diabetes mellitus. Annals of Human
Genetics, 31:1–20, 1967.
[18] Vaupel J. W., Manton K. G., and Stallard E. The impact of heteroge-
neity in individual frailty on the dynamics of mortality. Demography,
16:439–454, 1979.
[19] Xue X. and Brookmeyer R. Bivariate frailty model for the analysis of
multivariate survival time. Lifetime Data Analysis, 2:277–289, 1996.
16