Sei sulla pagina 1di 6
Life course Analysis 15. Esercitaz. Modello esponenziale 1. La procedure LIFEREG 2. Esercitazione su esponenziale
Life course Analysis
15. Esercitaz. Modello esponenziale
1. La procedure LIFEREG
2. Esercitazione su esponenziale
- senza covariate
- con covariate
3. Esercitazione su esponenziale a pezzi
- senza covariate
- con covariate
Fausta Ongaro
Life course Analysis
La procedura LIFEREG
Stima modelli AFT (accelerated failure time)
T i = exp (β 0 + β 1 X 1 +
β k X k + σε i )
Possibili distribuzioni di T in LIFEREG:
esponenziale (PH e AFT)
weibull (PH e AFT)
gamma
log-logistica
log-normale
Altre funzioni (con preliminare trattamento dati)
esponenziale a pezzi
Fausta Ongaro
Life course Analysis
Istruzioni base
PROC LIFEREG data=
model durata * cens (
run ;
)
= covariate /dist =exponential (*)
(*) o altre parametrizzazioni
Fausta Ongaro

Life course Analysis

 
 

Esercitazione su esponenziale (AFT)

Senza covariate (cfr. es1_espon)

 

PROGRAMMA SAS proc lifereg data=pippo; model durata*des (0)= / dist=exponential; title “stima modello esponenziale senza covariate”; run;

OUTPUT

 

Errore

Parametro

DF

Stima

standard

Pr > ChiQuadr

Intercept Scale Scala di Weibull Forma Weibull

1

4.4891

0.0467

<.0001

0

1.0000

0.0000

1

89.0437 4.1607

0

1.0000

0.0000

Statistiche (chi-quadro) del moltiplicatore di Lagrange: testa HP nulla: σ=1 =expon)

Parametro di scala: 14.9636

Pr > ChiQuadr 0.0001 (HP respinta: no expon.)

 

Fausta Ongaro

 

Life course Analysis

 

INTERPRETO:

β 0 = 4.4891 :

il log del tempo è circa 4.5 la durata media di un episodio lavorativo è di 89 mesi

expβ 0 = 89,04:

Oppure:

-β 0 = - 4.4891 :

il log del rischio di uscire dal mercato del lavoro è pari - 4.5

exp(-β 0 ) = exp(-4.4891)= 0.0112 : il tasso di rischio medio di uscita dal mercato del lavoro è pari a 0.0112

NB. Poiché per le durate distribuite esponenzialmente il numero di eventi N

dentro uno specifico intervallo di tempo è caratterizzato da un distribuzione di

poisson con valore atteso:

E(N)= h*t = a*t = 0.0112*t

In un anno - per esempio - ci si deve attendere un numero di uscite dal lavoro

pari a:

0,0112*12 = 0,13

 

Inoltre:

 

E(T)=

E(T)= = 89 (mesi)

= 89 (mesi)

 

in media passano circa 7.5 anni prima che gli individui lascino un lavoro)

 

Fausta Ongaro

 

Life course Analysis

 

Durata mediana di un episodio:

 

Poiché S(t) = exp(-ht)

 

Si deve trovare il t che soddisfa la condizione:

 

S(t=Me) = exp (0.0112 * Me) 0.5

Cioè:

Me 62 mesi

 
 

Fausta Ongaro

 
 

Life course Analysis

 

Con covariate

 

(NB: cosa dicono analisi esplorative (con LIFETEST) di H ?)

 

PROGRAMMA SAS Passo1: stimo modello

 

proc lifereg data=pippo; model durata*des (0) = edu coho2 coho3 lfx pnoj pres / dist=exponential; title “stima modello esponenziale con covariate”; run;

OUTPUT

<.0001<.0001

Errore

Parametro

DF

Stima

standard

Pr > ChiQuadr

Intercetta

1

4.4894

0.2795

<.0001

Edu

1 -0.0773

0.0247

0.0018

coho2

1 -0.6080

0.1136

<.0001

coho3

1 -0.6108

0.1185

<.0001

lfx

1

0.0032

0.0009

0.0007

pnoj

1 -0.0596

0.0442

0.1768

PRES

1

0.0280

0.0055

<.0001

Scale

0

1.0000

0.0000 (NB: parametro scala forzato =1)

Forma Weibull

0

1.0000

0.0000

 

Fausta Ongaro

 
 

Life course Analysis

 

INTERPRETO

I parametri sono stimati con AFT. Se inverto il segno dei coeffcienti ottengo il valore del modello PH. Es. -Ciasuna coorte più giovane è più mobile -- … - il prestigio del lavoro influenza negativamente l’uscita dal lavoro

Per gruppi selezionati di si può predire alcune misure non relative. Es. Per un individuo con: 13 anni di studio, coorte più anziana, appena entrato nel mercato del lavoro e con prestigio di lavoro=60 si può calcolare:

h(t)=a= exp (-4.4894 + 0.0773 *13 -0.028 *60) = 0.0057 Conseguentemente:

 

E(T)= 1/0.0057 = 175 (mesi =15 anni) Me = 0.693 * E(T) = 121

 

Prob che gli individui siano ancora occupati nello stesso lavoro dopo 8 anni (=96 mesi):

S(96) = exp (-0.057 *96) = 0,58

(58%)

NB. Se si calcola le stesse stime per altri gruppi si può valutare differenze.

 

Fausta Ongaro

 
 

Life course Analysis

 

Altri risultati modello:

 

Stat moltipl. Lagrange:

 

parametro di scala CHIQUADRO=5.6986 Pr = 0.017 il test verifica ipotesi nulla che il parametro di scala=1: l’ipotesi è rigettata

LL = -889.93527 Cfr. questo valore con quello del modello esponenziale senza covariate:

LR = 2((-889.9353)-(-937.9681))=2* 480328 =96.07 (CHIQUADRO con 6 gl) In base a questo valore almeno una delle covariate migliora signific l’adattamento del modello. A cura studenti: confrontare opportunamente i risultati di questo modello con quelli dell’analogo modello semiparametrico: quale è preferibile?

ESERCITAZIONE AUTONOMA STUDENTI:

 

1. Stimare lo stesso modello ma con destinazioni multiple

2. Stimare lo stesso modello con parametrizzazione weibull (cfr slide lezione)

 

Fausta Ongaro

 

Life course Analysis

 

Passo2: Stimo tempo mediano atteso sopravvivenza per individui:

proc lifereg data= pippo; model durata*des (0) = edu coho2 coho3 lfx pnoj pres / dist=exponential; title “stima modello esponenziale con covariate”;

output out=a p=median std=s;

/*chiedo il tempo mediano – p= percentile – e il suo

stand error – std - */ run; proc print data=a; var durata des _prob_ median s; /* _prob_=quantile= percentile /100 */

run;

Cfr file output=a

Cfr. : es1_espon.sas

Fausta Ongaro

 

Life course Analysis

 

Esercitazione su esponenziale a tratti (AFT)

Senza covariate

Due step:

Passo1: Ristrutturazione dei dati:

Poiché la durata media degli episodi non censurati è di circa 49 mesi può essere appropriato costruire J = 9 (8 periodi di 12 mesi ciascuno per un totale di 96 mesi + 1 intervallo finale aperto)

Programma * costruisco n= numero di tratti per ogni episodio •costruisco tre nuove variabili: tempo evento j

data n;

set pippo;

[continua]

 

Fausta Ongaro

 

Life course Analysis

 

* creo j = numero max di tratti temporali per ciascun individuo; if durata le 96 then n=ceil (durata/12); /* ceil specifica il numero intero immediatamente > valore tra parentesi) */ if durata gt 96 then n=9; *creo le specifiche di durata per ciascun tratto;

do j=1 to n;

/* n = numero massimo di intervalli */

if j le 8 then do;

tempo=12;

evento=0;

if j=n and des=1 then do;

evento=1;

 

tempo = durata-12*(n-1); end; end; if j=9 then do;

tempo=durata-96;

 

evento=0;

if des=1 then evento=1; end;

 

output;

end;

run;

Fausta Ongaro

 
 

Life course Analysis

 

Passo 2: Stimo modello senza covariate

 

proc lifereg data= n;

 

class j; model tempo* evento(0) = j / dist=exponential ; title “stima modello esponenziale a pezzi con covariate”;

run;

OUTPUT

Parameter

DF

Estimate

 

Pr > ChiSq

Intercept

1

5.2239

<.0001

j

1

1

-0.8546

 

<.0001

j

2

1

-1.1516

<.0001

j

3

1

-1.2826

<.0001

j

4

1

-0.7892

<.0001

j

5

1

-0.9976

<.0001

j

6

1

-0.6462

0.0067

j

7

1

-0.2097

0.4896

j

8

1

-0.0376

0.9118

j

9

0

0.0000

.

.

.

.

.

Scale

0

1.0000

 

Fausta Ongaro

 

Life course Analysis

 

INTERPRETO

Preferibile è cambiare di segno ai coefficienti (di intercetta e j) per avere il loro effetto sul rischio piuttosto che sul tempo di sopravvivenza. Per j effetto è stimato rispetto a J=9: si registra che il rischio non è né costante (esponenziale), né monotono (weibull): i rischio è bimodale (prima aumenta, poi decresce, poi aumenta di nuovo e infine cala definitivamente (ma gli utlimi due livelli non sono significat. diversi dall’ultimo tratto.

I valori del rischio nei diversi tratti è dunque:

 

J hj

1 exp(-5,22+0,7)=

2 exp(-5,22+1,03)=

3 exp(-5,22+1,03)=

4 exp(-5,22+0,72)=

5 exp(-5,22+0,94)=

6 exp(-5,22+0,61)=

7 exp(-5,22+0,17)=

8 exp(-5,22+0,004)=

9 exp(-5,22+0)=

0,01089

0,01514

0,01795

0,01110

0,01384

0,00995

0,00641

0,00543

0,00541

forma campanulare del rischio

La

può essere interpretata come l’effetto

di

investimento nel lavoro e necessità di

risolvere conflitti tra le esigenze del

datore di lavoro e quelle del

lavoratore (che emergono soprattutto

nei primi mesi di occupazione e

fanno aumentare il tasso di uscita nei

primi mesi di occupazione). Una volta

superata questa fase …

due forze contrastanti: aumento di

Fausta Ongaro

 

Life course Analysis

aumento di Fausta Ongaro   Life course Analysis Con covariate Passo1: Ristrutturazione dei dati : Come

Con covariate

Passo1: Ristrutturazione dei dati:

Come per modello senza covariate

Passo 2: Stimo modello con covariate (edu coho2 coho3 …)

proc lifereg data= n;

class j; model tempo* evento(0) = edu coho2 coho3 lfx pnoj pres j / dist=exponential ; title “stima modello esponenziale a pezzi con covariate”;

run;

Fausta Ongaro

 

Life course Analysis

 

OUTPUT

 
 

standard

Parameter

DF Estimate

Error

Pr > ChiSq

Intercept

1

4.9033

0.2888

 

<.0001

EDU

1 -0.0606

0.0249

0.0149

coho2

1 -0.4487

0.1152

<.0001

coho3

1 -0.3298

0.1223

0.0070

lfx

1

0.0039

0.0009

<.000

pnoj

1 -0.0596

0.0442

0.1776

PRES

1

0.0253

0.0055

<.0001

j

1

1 -0.7004

0.1683

<.0001

j

2

1 -1.0367

0.1649

<.0001

j

3

1 -1.2068

0.1686

<.0001

j

4

1 -0.7230

0.2033

0.0004

j

5

1 -0.9420

0.2013

<.0001

j

6

1 -0.6194

0.2403

0.0099

j

7

1 -0.1746

0.3046

0.5666

j

8

1 -0.0039

0.3404

0.9908

j

9

0

0.0000

.

.

.

.

.

 

Fausta Ongaro

 
 

Life course Analysis

 

A CURA STUDENTI:

 

1. Interpretare il significato dei coefficienti stimati dal modello

2. Verificare come cambia l’effetto delle covariate rispetto alle stime ottenute con il modello esponenziale precedentemente stimato

3. Stimare come varia il rischio di uscire dal lavoro per il gruppo di base nell’ipotesi di destinazioni multiple (cfr. precedente modello di Cox a rischi competitivi)

cfr. es2_ espon pezzi

 
 

Fausta Ongaro