-
Views
-
Cite
Cite
Debashis Ghosh, Goodness-of-Fit Methods for Additive-Risk Models in Tumorigenicity Experiments, Biometrics, Volume 59, Issue 3, September 2003, Pages 721–726, https://doi.org/10.1111/1541-0420.00083
Close - Share Icon Share
Summary
In tumorigenicity experiments, a complication is that the time to event is generally not observed, so that the time to tumor is subject to interval censoring. One of the goals in these studies is to properly model the effect of dose on risk. Thus, it is important to have goodness of fit procedures available for assessing the model fit. While several estimation procedures have been developed for current-status data, relatively little work has been done on model-checking techniques. In this article, we propose numerical and graphical methods for the analysis of current-status data using the additive-risk model, primarily focusing on the situation where the monitoring times are dependent. The finite-sample properties of the proposed methodology are examined through numerical studies. The methods are then illustrated with data from a tumorigenicity experiment.
Résumé
Dans les expériences de tumorigénicité, un des problèmes posés est la mesure du délai jusqu'à apparition d'un événement,, qui n'est pas précisément observé et soumis à une censure par intervalle. Un des objectifs de ces type d'études est de modéliser de façon adéquate l'effet-dose sur un risque. Il est donc important de disposer de procédures permettant de tester l'adéquation du modèle. Alors que plusieurs procédures d'estimation ont été développées pour analyser ce type de données, peu de travaux ont été réalisés pour tester la validité de ces modèles. Dans cet article, nous proposons des méthodes numériques et graphiques pour les modèles à risques additifs afin d'analyser ces données d'état mesuré dans le temps, en prenant en compte le problème de la dépendance des temps de suivi du monitoring. Les propriétés de la méthode proposée sont étudiées par des études par simulation numérique, puis illustrées sur des données provenant d'une expérience de tumorigénicité..
