Estoy mirando el tiempo requerido por los jueces para tomar decisiones. Cada juez evalúa a varios solicitantes y puede aprobar o no la solicitud. El caso se finaliza cuando el juez rinde su informe, que puede ser algún tiempo después de la audiencia. Varios casos todavía estaban abiertos al final del período de estudio.
Quiero estimar el tiempo promedio requerido para que los casos se muevan a través del sistema. Además, me gustaría ver si los casos rechazados tardan más que los casos aprobados. (Los jueces parecen pasar más tiempo escribiendo los informes de aquellos que eventualmente no aprueban o buscan documentación adicional).
Obviamente, no sé si los casos que aún estaban abiertos cuando finalizó el estudio habrían sido aprobados o no, por lo que la covariable (aprobar / no aprobar) se censura junto con los datos.
¿Hay algo que pueda hacer al respecto?
Respuestas:
@jsk tiene la clave en su comentario a la respuesta de @Alexis. El tipo apropiado de análisis de supervivencia para usar en este caso son los riesgos competitivos. Tiene tres resultados posibles: a) aceptado, b) rechazado yc) censurado a la derecha.
La clave es que aceptado / rechazado no es una sola covariable sino que son dos riesgos en competencia. Esto es bastante fácil en la mayoría de los programas estadísticos. Por ejemplo, en la R
survival
paquete, sólo tiene que codificar el evento como un factor con nivelescensored
,accepted
yrejected
. (censored
debe ser el primer nivel, se supone que otros niveles son riesgos competitivos).fuente
Si te entiendo, este es un análisis bastante estándar de supervivencia / análisis de historial de eventos que censura la derecha; Kaplan-Meyer, los modelos de riesgo de tiempo discreto, etc., estiman "si y cuándo" se produce un evento mientras se tiene en cuenta la correcta censura de la ocurrencia del evento (es decir, la aprobación de su caso) al incorporar la reducción de la muestra en riesgo de evento a lo largo del tiempo debido tanto a la ocurrencia de eventos como a la censura.
El artículo de Wikipedia ofrece una introducción decente. Y puede consultar Singer, JD y Willett, JB (2003). Análisis de datos longitudinales aplicados: cambio de modelado y ocurrencia de eventos . Oxford University Press, Nueva York, NY, que detalla los modelos de historial de eventos de tiempo discreto y tiene una sección lo suficientemente decente sobre los modelos de riesgos proporcionales de Cox.
fuente