Andere Kunden interessierten sich auch für
![Modèles temporels dans l'analyse du taux de criminalité agrégé au Nigeria]( "Modèles temporels dans l'analyse du taux de criminalité agrégé au Nigeria")
Modèles temporels dans l'analyse du taux de criminalité agrégé au Nigeria26,99 €![Utilisation de modèles de mélange de classes latentes pour définir les endotypes de septicémie]( "Utilisation de modèles de mélange de classes latentes pour définir les endotypes de septicémie")
Utilisation de modèles de mélange de classes latentes pour définir les endotypes de septicémie23,99 €![Fusion de Données Et Modèles Bayésiens Pour La Télémédecine]( "Fusion de Données Et Modèles Bayésiens Pour La Télémédecine")
Fusion de Données Et Modèles Bayésiens Pour La Télémédecine32,99 €![Modélisation et prévision des taux de change]( "Modélisation et prévision des taux de change")
Modélisation et prévision des taux de change29,99 €![Modèle de fragilité partagée]( "Modèle de fragilité partagée")
Modèle de fragilité partagée18,99 €![Une modélisation stochastique du taux de change dans le cadre de l'ALM]( "Une modélisation stochastique du taux de change dans le cadre de l'ALM")
Une modélisation stochastique du taux de change dans le cadre de l'ALM32,99 €![Analyse statistique des séries chronologiques - modèles de cointégration et VECM]( "Analyse statistique des séries chronologiques - modèles de cointégration et VECM")
Analyse statistique des séries chronologiques - modèles de cointégration et VECM55,99 €
Les modèles de taux de guérison par mélange sont couramment utilisés pour analyser les données relatives aux survivants à long terme. D'autre part, les modèles de fragilité permettent une estimation précise des coefficients en contrôlant l'hétérogénéité des données de survie. Habituellement, la distribution gamma est utilisée dans les modèles de fragilité. Cependant, pour les données de survie qui conviennent aux populations ayant un taux de guérison, il peut être préférable d'utiliser une distribution discrète pour la variable aléatoire de fragilité plutôt qu'une distribution continue. Nous avons donc proposé deux modèles dans cet ouvrage. Dans le premier modèle, la distribution gamma est utilisée, et dans le second modèle, la distribution hyper-Poisson est appliquée pour la variable aléatoire de fragilité. En outre, l'inférence bayésienne avec la distribution de Weibull et la distribution de Weibull modifiée généralisée comme distribution de base ont été utilisées respectivement dans les deux modèles proposés. Dans cet ouvrage, nous avons utilisé les données de patients atteints de cancer gastrique pour montrer l'application de ces modèles dans l'analyse de données réelles. Les paramètres et les coefficients de régression ont été estimés à l'aide de l'algorithme d'échantillonnage de Metropolis au sein de Gibbs. Une étude de simulation a également été utilisée pour évaluer la performance des estimations bayésiennes afin de confirmer les modèles proposés.