Reisensburg 1996: Abstract Fahrmeir/Klinger
Statistical Computing '96 - Schloß Reisensburg

Nonparametrische Regressionsmodelle für Ereignisanalysen: Penalisierte Likelihood und Bayesansätze

Ludwig Fahrmeir, Artur Klinger

Institut für Statistik, Universität München

Für die Analyse von zeitdiskreten und zeitstetigen Survival- und Ereignisdaten steht mittlerweile eine Vielzahl von Modellansätzen zur Verfügung.
Oft erweisen sich parametrische Ansätze als zu starr, so daß flexiblere Methoden zur Exploration und Schätzung von Zeit- und Kovariableneffekten benötigt werden.

Eine Möglichkeit zur nonparametrischen Modellierung und Glättung ist das mit Splinefunktionen verbundene Prinzip der penalisierten Likelihood-Schätzung, wie es etwa in generalisierten additiven Modellen Verwendung findet. Mit Hilfe eines Glättungsparameters formuliert dieser Ansatz explizit die alternativen "Komplexität des Modells" versus "Anpassung an die Daten".
Verwendet man geeignete Strafterme, so kann die penalisierte Likelihoodschätzung auch zur simultanen Variablenselektion dienen.

Einen anderer Zugang zur flexiblen Modellierung bieten Bayesianische Ansätze.
Mit Markov Chain Monte Carlo (MCMC) Schätzverfahren lassen sich Bayes-Analysen auch für komplexere Problemstellungen durchführen, und über die maximum a posteriori Schätzung bestehen enge Bezüge zur penalisierten Likelihood-Schätzung.

Im Vortrag werden aktuelle Entwicklungen aufgezeigt und anhand von realen Anwendungen illustriert.


Statistical Computing '96 auf Schloß Reisensburg