Analisi di sopravvivenza: tempo continuo vs tempo discreto

Sono confuso su come decidere se trattare il tempo come continuo o discreto nell'analisi di sopravvivenza. In particolare, desidero utilizzare l'analisi di sopravvivenza per identificare le variabili a livello di bambino e famiglia che presentano la maggiore discrepanza nel loro impatto sulla sopravvivenza dei ragazzi rispetto alle ragazze (fino a 5 anni). Ho un set di dati sull'età dei bambini (in mesi) insieme a un indicatore per stabilire se il bambino è vivo, l'età alla morte (in mesi) e altre variabili a livello di bambino e famiglia.

Poiché il tempo è registrato in mesi e tutti i bambini hanno meno di 5 anni, ci sono molti tempi di sopravvivenza legati (spesso a intervalli di sei mesi: 0 ohm, 6 ohm, 12 ohm, ecc.). Sulla base di ciò che ho letto sull'analisi della sopravvivenza, avere molti tempi di sopravvivenza legati mi fa pensare che dovrei considerare il tempo come discreto. Tuttavia, ho letto diversi altri studi in cui il tempo di sopravvivenza è, ad esempio, in anni-persona (e quindi sicuramente ci sono tempi di sopravvivenza legati) e vengono utilizzati metodi a tempo continuo come i rischi proporzionali di Cox.

Quali sono i criteri che dovrei usare per decidere se trattare il tempo come continuo o discreto? Per i miei dati e le mie domande, usare un modello a tempo continuo (Cox, Weibull, ecc.) Ha un senso intuitivo per me, ma la natura discreta dei miei dati e la quantità di tempi di sopravvivenza legati sembrano suggerire diversamente.

La scelta del modello di sopravvivenza dovrebbe essere guidata dal fenomeno sottostante. In questo caso sembra essere continuo, anche se i dati vengono raccolti in modo discreto. Una risoluzione di un mese andrebbe bene per un periodo di 5 anni. Tuttavia, il gran numero di legami a 6 e 12 mesi fa meravigliarsi se si ha davvero una precisione di 1 mese (i legami a 0 sono previsti - questo è un valore speciale in cui si verificano effettivamente un numero relativamente elevato di decessi). Non sono del tutto sicuro di cosa tu possa fare al riguardo, poiché molto probabilmente questo riflette l'arrotondamento dopo il fatto piuttosto che la censura degli intervalli.

Ho il sospetto che se usi modelli temporali continui vorrai usare la censura a intervalli, riflettendo il fatto che non conosci il tempo esatto del fallimento, solo un intervallo in cui si è verificato il fallimento. Se si adattano i modelli di regressione parametrica con la censura degli intervalli utilizzando la massima verosimiglianza, i tempi di sopravvivenza associati non rappresentano un problema IIRC.

Ci saranno tempi di sopravvivenza legati nella maggior parte delle analisi, ma grossi pezzi di legami chiari in particolari eventi sono preoccupanti. Rifletterei a lungo sullo studio stesso, su come raccoglierà i dati, ecc.

Perché, al di fuori di alcune esigenze metodologiche, è necessario utilizzare un tipo di tempo o l'altro, in che modo modellare la sopravvivenza dovrebbe dipendere dal fatto che il processo sottostante sia discreto o continuo nel mondo.

Se si hanno covariate che variano nel tempo per alcuni individui (ad esempio, il reddito familiare può variare nell'esempio nel corso della vita di un bambino), i modelli di sopravvivenza (parametrico e modello cox) richiedono di suddividere i dati in intervalli discreti definiti da le diverse covariate.

Ho trovato utile questo pdf delle note del tedesco Rodriguez.