تحليل داده هاي بقاي گروه بندي شده چند سطحي با استفاده از مدل هاي پويا

در اغلب آزمايش هاي باليني مانند مطالعات پزشكي و دندان پزشكي، با داده هاي بقاي گروه بندي شده چند سطحي روبرو هستيم. در بسياري از اين مطالعات، هدف بررسي اثر درمان بر روي زمان رخداد يك پيشامد خاص مانند بررسي اثر چند نوع درمان در طول زمان به منظور جلوگيري از پوسيدگي يك يا چند دندان پوسيده مي باشد. يكي از روش هاي معمول براي تحليل اين گونه داده ها استفاده از مدل اثرات تصادفي مي باشد. ثابت در نظر گرفتن اثر درمان در طول زمان يكي از روش هاي ساده اي است كه در اين مدل ها مورد استفاده قرار مي گيرد. اما از آن جايي كه اثر درمان مي تواند در طول زمان به تدريج از بين برود و يا تغيير كند، در اين مقاله قصد داريم با شبيه سازي مجموعه اي از داده ها و مقايسه مدل هاي مختلف، نشان دهيم كه تعميم مدل هاي اثرات تصادفي پويا به كمك تغيير اثر متغيرهاي كمكي ( اثر درمان ) در طول زمان، مي تواند به نتايج بهتري منجر شود. به دليل پيچيدگي مدل هاي مورد بررسي، امكان برآورد پارامترها به روش ماكسيمم درستنمايي وجود ندارد، بنابراين با استفاده از روش مونت كارلوي زنجير ماركف به برآورد پارامترها خواهيم پرداخت.