統計学

生存時間解析・カプランマイヤー・オッズ比

2022年8月12日


生存時間解析には以下2つのパターンがあります。
・ハザード関数
・カプランマイヤー

ハザード関数は打ち切りデータを含む場合
カプランマイヤーは打ち切りデータを含まない場合
の分析を行う。
 

生存時間関数などを求めていくのですが、求めていく目的を考える必要があります。
関数を求めることで、パラメトリック検定など2つの群、例えば薬を投与した検体と薬を投与していない検定、それぞれの生きている確率などに差があるのかどうかを見るために、関数などを求めることで、検定につなげようというのが目的になります。
ここではそんな生存関数などを求めることについて説明していこうと思います。
 

ハザード関数

このハザード関数はいろんな分野で扱われるが、関数名などが結構寿命を取り扱うような名称(ハザード関数とか生存関数とか)になっているので、
ここでいうイベントは生死に関わるようなイベントで考えていくのがいいです。

イベントが発生する時間をTとした時、
最初観察が開始した時では確率はほぼ0であるが、だんたんと時間が経っていくと確率は上がっていく。
なので、累積分布関数を用いて、以下のように表せる。

イベントが起きるまでの確率が上なので、逆の関数は生存関数で、余事象によって1から引いた値が生存関数となります。

なのでハザードなので、火事などのイベントもまさにこれと同じで、
さらには待ち時間を考える指数関数とも関わりがかなりあります。(指数関数も1回起きるまでの確率分布でもあったりする)

待ち時間の指数分布は、必ず起きることではない事象であり、
今回の場合は寿命というランダム性のあるものではなく、年々死ぬ確率が上がっていくような分布だからハザード関数という別の概念が必要になります。
 

寿命、すなわち時刻0に誕生した人が死亡する時刻は,確率変数であり、これを\(T\)で表します。
\(T\)を被験者の生存時間を表す確率変数とする。

登場関数

  • 累積分布関数:\(F(T) = P(T < t) = \displaystyle \int_{0}^{t}f(t)du \)、いわゆるある時点\(t\)まででイベントが起きる確率( \(T < t\)で\(t\)前までの\(T\)つまりイベント:寿命が尽きるので、その\(t\)までにイベントが起きる確率、つまりイベントが起きる確率)
  • 確率密度関数:\(f(T) = - \displaystyle \frac{d}{dt}S(T) \)、いわゆる\(T\)時点になくなる確率(イベントが起きる確率)
  • 生存関数:\(S(T) = 1 - F(T)\)、余事象なので、イベントが起きない確率、つまり生存している確率
  • ハザード関数:\(h(T) = \displaystyle \frac{f(T)}{S(T)}\)、この式よく見ると、\(f(T)\):T時点でのイベントが起きる確率、\(S(T)\):T時点でのイベントが起きない確率、これってオッズ比に見えますね!そうです!オッズ比で起きる確率/起きない確率ということになります。このオッズ比のことをハザード比と言います。被験者が時点tまで生存したという条件のもとで、その時間に死亡する確率です。

 

   

   

項目 説明
確率密度関数 \(f(T) = - \displaystyle \frac{d}{dt}S(T) \) いわゆる\(T\)時点になくなる確率(イベントが起きる確率)
累積分布関数 \begin{eqnarray}
F(T) &=& P(T < t) \\
&=& \int_{0}^{t}f(t)du
\end{eqnarray}
   
いわゆるある時点\(t\)まででイベントが起きる確率( \(T < t\)で\(t\)前までの\(T\)つまりイベント:寿命が尽きるので、その\(t\)までにイベントが起きる確率、つまりイベントが起きる確率)。\(f(t)\)がいわゆる\(T=t\)でのイベントが起きる確率なので、\(f(t_{i})\),\(f(t_{j})\)は互いに排反なので和による計算
生存関数 \(S(T) = 1 - F(T)\) 余事象なので、イベントが起きない確率、つまり生存している確率
ハザード関数 \(h(T) = \displaystyle \frac{f(T)}{S(T)}\) この式よく見ると、\(f(T)\):\(T\)時点でのイベントが起きる確率、\(S(T)\):\(T\)時点でのイベントが起きない確率、これってオッズ比に見えますね!そうです!オッズ比で起きる確率/起きない確率ということになります。このオッズ比のことをハザード比と言います。

 

考え方

人は生きると死ぬの2つがあります。
その中で、死ぬというイベントは人生で1回きりで死ぬイベントが発生した場合、それ以降はもうイベントは発生しません。
まずこの生きる、死ぬを確率密度関数で置いてみます。

 

確率密度関数\(f(t)\)を時点\(T=t\)で死ぬ確率であり、これは原点を通る右肩あがりの関数です。
\(t=0\)では生まれた瞬間です。出産時に何かで死ぬことはあるかと思いますが、一旦は考えず、普通は確率はほぼ0に近いです。つまり一応\(f(0) = 0\)と言えそうです。
 

続いて、確率密度関数\(s(t)\)を時点\(T=t\)で生きる確率であり、これは原点を通る右肩下がりの関数です。
\(t=0\)では生まれた瞬間です。出産時はもちろん生きているかと思います。ただ何かで死んでしまう可能性もありますが、一旦は考えず、普通は確率はほぼ1に近いです。つまり一応\(s(0) = 1\)と言えそうです。
 

生きていることと死んでいることは排反な関係なので、\(s(t) + f(t) = 1\)であり、それぞれの累積関数\(S(t)+F(t) = 1\)も成立します。
 

そして、余事象の関係で生きてる確率 + 死ぬ確率 = 1なので、\(F(T) + S(T) = 1\)となり、\(S(T) = 1 - F(T)\)と言え、これに対して\(t\)で微分することで、
\begin{eqnarray}
\frac{d}{dt}F(T) &=& - \frac{d}{dt}S(T) \\
f(t) &=& - \frac{d}{dt}S(T)
\end{eqnarray}

このようにストーリーで覚えていくと分かりやすそうです!

 
 

\begin{eqnarray}
h(T)
&=& \lim_{\delta(t) \rightarrow 0} {\frac{P(t < T < t+\delta(t) | T > t)}{\delta(t)}}
\end{eqnarray}
この定義式の意味するところは、
デルタを置いてそこを0にしていきます。そうするとだんたんと幅を狭めていくことができ、最終的には傾きを表す微分式になることが想像できます。
そして仮定として、条件付き確率を置いていて、それまでは全くイベントが発生していないという条件をつけた上で、その後でデルタを0に縮めていくことで、瞬間的な確率を求めようとしています。
被験者が時点tまで生存したという条件のもとで、その時間に死亡する確率です。
tまで

もし条件付きがない場合は、それまでに1回も発生していない場合に加えて、イベントが1回発生しているだけではなく何回か発生している場合も含むなど、今回のハザード関数を考える上で破綻してしまいます。
そのため、今回条件付き確率として、それまで1回もイベントが発生していないという条件をつけて考えています。
 
\(T < t\)ならば、tがいわゆる起点で、それよりも前にイベントが発生しているという意味。
\(T > t\)なので、tでもまだ発生はしていなく、それ以降に発生するという意味になります。
なのでこの条件の元でを考え、起点tではまだ発生していないよと仮定します。
そしてこのt(この年齢)になったときに、瞬間的にリスクの確率を求めます。イメージとしてはこの年になくなる確率的な意味合いですかね。
なので、ちょっとtにちょっとの時間経過を\delta(t)と表現してプラスすることで、t+\delta(t)で現在の時間tからちょっと時間が経ったときを考えます。
そしてその間で\(t < T < t+\delta(t)\)とすることで、この間でイベントが発生すると仮定しています。
 
そして最後に0に近づけることで、間接的にtに近づけていき、より瞬間的なリスク確率を出そうという仕組みです。

 
この式を計算していきましょう!
道なりに進んでいけば簡単に計算ができます。
途中で、共通部分があるが、\(P(t < T < t+\delta(t)) \cap P(T > t) = P(t < T < t+\delta(t))\)になることに注意して、
\begin{eqnarray}
h(X)
&=& \lim_{\delta(t) \rightarrow 0} {\frac{P(t < T < t+\delta(t) | T > t)}{\delta(t)}} \\
&=& \lim_{\delta(t) \rightarrow 0} {\frac{P(t < T < t+\delta(t)) \cap P(T > t)}{P(T > t)}} {\frac{1}{\delta(t)}} \\
&=& \lim_{\delta(t) \rightarrow 0} {\frac{P(t < T < t+\delta(t))}{\delta(t)}} {\frac{1}{P(T > t)}} \\
&=& \lim_{\delta(t) \rightarrow 0} {\frac{S(t) - S(t+\delta(t)) }{\delta(t)}} {\frac{1}{P(T > t)}}・・・① \\
\end{eqnarray}
※ \(S(t) = 1- P(T < t)\)を用いている。 そして微分の定義式で以下を用います。要はt時点での変化率を計算していて、だんたんとtに近づけていく

\begin{eqnarray}
f(x)
&=& \lim_{t \rightarrow a} { \frac{f(t) - f(a) }{t-a} } \\
&=& \lim_{\delta(t) \rightarrow 0} { \frac{f(t+\delta(t)) - f(t) }{t+\delta(t) - t} } \\
&=& \lim_{\delta(t) \rightarrow 0} { \frac{f(t+\delta(t)) - f(t) }{\delta(t)} } \\
\end{eqnarray}

 

よって①から
\begin{eqnarray}
h(X)
&=& \lim_{\delta(t) \rightarrow 0} {\frac{S(t) - S(t+\delta(t)) }{\delta(t)}} {\frac{1}{P(T > t)}}・・・① \\
&=& -\frac{d}{dt}S(t) \cdot {\frac{1}{S(t)}} \\
&=& -{\frac{1}{S(t)}} \frac{d}{dt}S(t) \\
&=& -\frac{d}{dt}\log(S(t)) \\
\end{eqnarray}
となります。

ここまでに出てきた関数を一回整理しましょう!

累積分布関数:\(F(X)\)
確率密度関数:\(f(X) = - \displaystyle \frac{d}{dx}S(X) \)
生存関数:\(S(X) = 1 - F(X)\)
→ 生存関数とは生きている時間を意味します。死ぬというイベントが発生するまでの時間の確率はイメージですが、どんどん確率は高くなっていくと思います。

ハザード関数:\(h(X) = \displaystyle \frac{f(X)}{S(X)}\)


生まれた瞬間がいわゆる\(T=0\)であり、当然この時生存確率\(S(T) = 1\)である。
そこからどんどん生存確率\(S(T)\)は減少していく。
最初は\(F(T) =0\)で生まれたばかりなので確率は0であり、そこから徐々に死ぬ確率(イベントが発生する確率)が高くなっていく。

\(S(t) = f'(t)\)で、S(t)はf(t)の微分つまり傾き、つまり変化率に等しい。

-統計学
-

© 2023 Yosshi Labo. Powered by AFFINGER5