進階存活分析加值模組
應用領域
-
醫學領域：競爭風險、參數配適等進階存活分析。
-
工業領域：可靠度分析等。
-
金融領域：個人消費性貸款、法人金融預警分析等。
-
商業領域：客戶關係管理。
分析方法
Kaplan-Meier存活函數信賴區間 |
||
| Model | Description | 應用 |
| Kaplan-Meier Confidence Intervals | 操作Kaplan-Meier可以使我們獲得該族群在不同時間點上的存活率估計值，並畫出存活曲線；然而若需要該曲線的信賴區間時，則可利用此模組處理Kaplan-Meier 存活機率的信賴區間，並依使用者需求可自行設定信賴水準參數的大小。 | 以Kaplan-Meier存活函數為基礎，估計不同時間點的存活機率及信賴區間，以圖表的方式做一完整的呈現。 |
Cox Proportional Hazard 假設的診斷 |
||
| Model | Description | 應用 |
| Diagnostics for Cox Regression Model | Cox Proportional Hazard Regression是存活分析上經常使用的迴歸模型，然而需要符合風險函數的比率為一常數，也就是比例風險假設（Proportional Hazard Assumption），此模組即為診斷資料是否符合比例風險的前提假設，讓您避開不適合的分析方法。 | 在進行Cox 比例風險迴歸之前，建議先檢查資料是否符合此分析方法的假設前提，以保障後續分析的正確性。 |
Parametric存活分析 |
||
| Model | Description | 應用 |
|
大部分的存活分析都是使用無母數或是半母數分析，那是因為存活時間的分佈通常是相當極端或是未知；然而您也可以嘗試將存活時間配適為特定機率分佈，並利用此機率分佈建構Parametric Regression、Parametric Proportional Hazards Regression（比例風險模型）及Parametric AFT Regression（加速失敗時間模型），您可以依此機率分配的特性對存活資料進行描述。 | 若您的資料不符合比例風險的假設時，則可考慮將存活資料配適機率分佈，再進行相關的迴歸模型，可建構平滑的存活曲線，也較容易估計及解釋您的存活資料。 |
Competing Risks存活分析 |
||
| Model | Description | 應用 |
|
在現實生活中，導致事件發生的原因可能不只一種，也就是說，可能有多重原因會造成樣本發生事件，即稱為競爭風險（Competing Risk），可計算在不同組別下的累積發生函數（Cumulative Incidence Function）及建立競爭風險迴歸模型（Competing risk Regression）。 | 適用於造成事件發生的原因大於一種的存活資料（例如：中風患者常合併多重共病性，評估多種原因導致病患死亡的存活分析），並建構其存活模型，找出重要的影響因子。 |
產品價格
一般單機版：NTD 128,000
教育單機版：NTD 88,000
以上價格皆為含稅價
系統需求
- 安裝IBM SPSS Statistics BASE
- 建議Windows XP，2000，WIN 7
- Intel Pentium相容處理器
- 512MB以上的記憶體
- 1GB以上的硬碟空間
- SVGA 顯示器
- Internet Explorer 6
台灣析數 全系列產品介紹
台灣析數 客服中心
