Cox-Regression mit unvollständigen Kovariatenmessungen

Zusammenfassung Dieser Artikel bietet eine allgemeine Lösung für das Problem fehlender Kovariaten-Daten unter dem Cox-Regressionsmodell. Die Schätzfunktion für den Vektor der Regressionsparameter ist eine Annäherung an die partielle Likelihood-Score-Funktion mit vollständigen Kovariatenmessungen und reduziert sich in der besonderen Konstellation von Fall-Kohorten-Designs auf die Pseudolikelihood-Score-Funktion von Self und Prentice. Der resultierende Parameterschätzer ist konsistent und asymptotisch normal, mit einer Kovarianzmatrix, für die ein einfacher und konsistenter Schätzer bereitgestellt wird. Umfassende Simulationsstudien zeigen, dass die Näherungen in großen Stichproben für die praktische Anwendung geeignet sind. Der vorgeschlagene Ansatz ist tendenziell effizienter als die Analyse von vollständigen Fällen, insbesondere für große Kohorten mit seltenen Ausfällen. Für Fall-Kohorten-Designs bietet die neue Methodik einen Varianz-Kovarianz-Schätzer, der viel einfacher zu berechnen ist als die bestehenden und ermöglicht mehrere Subkohorten-Augmentierungen zur Effizienzsteigerung. Realdaten aus klinischen und epidemiologischen Studien werden analysiert.