Please use this identifier to cite or link to this item: http://dx.doi.org/10.25673/1345
Full metadata record
DC FieldValueLanguage
dc.contributor.refereeWienke, Andreas, Prof. Dr.-
dc.contributor.refereeSchlattmann, Peter, Prof. Dr.-
dc.contributor.refereeBeyersmann, Jan, Prof. Dr.-
dc.contributor.authorHirsch, Katharina-
dc.date.accessioned2018-09-24T11:09:34Z-
dc.date.available2018-09-24T11:09:34Z-
dc.date.issued2014-
dc.identifier.urihttps://opendata.uni-halle.de//handle/1981185920/8116-
dc.identifier.urihttp://dx.doi.org/10.25673/1345-
dc.description.abstractEin Ziel der Ereigniszeitanalyse ist es, den Einfluss von prognostischen Faktoren auf das Eintreten von Ereignissen zu ermitteln. Ein wichtiger Modellansatz um dies zu erreichen ist das proportionale Hazardsmodell nach Cox. Eine Erweiterung des Modells ist das sharedFrailty-Modell. Es ist fähig gruppierte Lebensdauerdaten mit unbeobachteter Heterogenität zu analysieren.Diese Frailty-Modelle etablierten sich zunehmend in den letzten Jahren und wurden in bekannte Statistik-Pakete eingebunden.Es existieren zahlreiche Softwarerealisierungen. Zu diesen Funktionen liegen keine vergleichenden Validierungsstudien vor. Ziel der vorliegenden Arbeit war es, die Funktionen bezüglich ihrer Anwendbarkeit, Güte und Limitationen zu betrachten und miteinander zu vergleichen. Aufgrund dessen wurden umfangreiche Simulationen für unterschiedliche Szenarien durchgeführt. Fünf Funktionen erwiesen sich als geeignet und wurden daraufhin auch an einem realen Datensatz (Halle Lung Cancer Studie) angewandt.-
dc.description.abstractIn survivalanalyses we are researching the effect of prognostic factors on the appearance of an interesting event. A major model to deal with this is the proportional hazards model by Cox. One common extension of the Cox-model is the shared frailty model. It is able to analyze clustered survival data with including unobserved heterogeneity. Frailty models become more established in common statistic software. There exist plenty of different realizations at the moment. Unfortunately there are no validation studies performed by now. Aim of this work was to give advices to the user about application, validation and limitation of the different functions as well as to compare these functions with each other. In order to achieve this we performed extensive simulations for different scenarios. Five functions show to be appropriate and were used for a real dataset (Halle Lung Cancer Study).eng
dc.description.statementofresponsibilityvon Katharina Hirsch-
dc.format.extentOnline-Ressource (88 Bl. = 2,53 mb)-
dc.language.isoger-
dc.publisherUniversitäts- und Landesbibliothek Sachsen-Anhalt-
dc.subjectOnline-Publikation-
dc.subjectHochschulschrift-
dc.subject.ddc610-
dc.subject.ddc614-
dc.subject.ddc570-
dc.titleShared Frailty-Modelle zur Analyse von Überlebenszeiten - ein Vergleich von Software-Lösungen-
dcterms.dateAccepted24.10.2014-
dcterms.typeHochschulschrift-
dc.typeDoctoral Thesis-
dc.identifier.urnurn:nbn:de:gbv:3:4-13197-
local.publisher.universityOrInstitutionMartin-Luther-Universität Halle-Wittenberg-
local.subject.keywordsSimulationsstudie; Überlebenszeitanalyse; Heterogenität; Gruppeneffekte; SharedFrailty-Modell; log-normale Frailty; gammaFrailty-
local.subject.keywordssimulation study; survival analyses; heterogeneity; cluster effect; shared frailty model; log-normal frailty; gamma Frailty; softwareeng
local.openaccesstrue-
dc.identifier.ppn803826672-
local.accessrights.dnbfree-
Appears in Collections:Biowissenschaften; Biologie

Files in This Item:
File Description SizeFormat 
Dissertation_Hirsch.pdf2.59 MBAdobe PDFThumbnail
View/Open


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.