Quantile regression under dependent censoring with unknown association

Der Artikel geht der Komplexität der Untersuchung von Lebenszeitverteilungen unter abhängiger Zensur nach, wo die Beobachtung von Überlebenszeiten durch das Auftreten eines anderen Ereignisses erschwert wird. Traditionelle Methoden gehen oft von einer Unabhängigkeit zwischen Überlebens- und Zensurzeiten aus, was in vielen Kontexten unrealistisch ist. Die Autoren stellen einen neuartigen Ansatz vor, der den Assoziationsparameter innerhalb einer Kopulafamilie anhand der Daten identifiziert und so die Notwendigkeit einer vollständig bekannten Kopulationsfunktion verringert. Diese Methode ist vor allem in medizinischen Studien relevant, in denen sich Patienten aufgrund krankheitsbedingter Erkrankungen zurückziehen können, was zu einer abhängigen Zensur führt. Das vorgeschlagene Modell verwendet eine parametrische Kopula mit identifizierbaren Assoziationsparametern und ein flexibles Modell für die Überlebenszeit, das Laguerre-Polynome einbezieht, um das vollständige Verhalten der Überlebensverteilung zu erfassen. Der Artikel untersucht auch die Vorteile der quantitativen Regression gegenüber der klassischen mittleren Regression und betont ihre Robustheit gegenüber Ausreißern und ihre Fähigkeit, mit Heteroskedastizität und Inhomogenität umzugehen. Die Autoren bieten eine detaillierte Diskussion über Identifizierbarkeit, asymptotische Eigenschaften und numerische Implementierung, die durch umfangreiche Simulationsstudien und eine Anwendung in Echtzeit unterstützt wird. Die Ergebnisse zeigen die Effektivität des Modells im Umgang mit abhängiger Zensur und seine Überlegenheit gegenüber herkömmlichen Methoden, was es zu einem wertvollen Werkzeug für Forscher und Praktiker in der Überlebensanalyse macht.