Modelling Clustered Survival Data with Competing Risks

Abstract

The classical Cox proportional hazards model is the most popular semiparametric model commonly used to assess the effects of risk factors in a homogeneous population for continuous survival time data. It is however based on the assumption that survival times are untied. Discrete-time logit model has been widely applied to survival time data in order to handle ties when there is a single cause for the event occurring. There are situations when an individual is at risk of experiencing several risks of failure and only the first of them is observed. In this study, binary logit model for competing risk with mixture of baseline hazard functions for clustered discrete-time data is proposed.

La méthode des risques proportionnels de Cox est la méthode semi-paramétrique la plus populaire qui est utilisée pour établir les risques dûs aux facteurs en jeu dans une population homogène dans l'analyse de survie avec un temps continu. Cependant, cette méthode repose sur l'hypothèse que les temps de survie ne peuvent se répéter. La méthode logit basée sur un temps discret a été largement appliquée pour gérer les égalités de temps de survie s'il y a une seule cause génératrice des évènements. Dans certaines situations, un individu peut être à risque selon plusieurs facteurs et souvent seule la survenance du premier échec est pris en compte. Dans ce papier, le modèle logit binaire pour des risques compétitifs, reposant sur des mélanges des fonction de risques pour des données en grappes est étudié selon un temps discret.