در این مطلب، ویدئو مدل خطرات متناسب کاکس با استفاده از SPSS (نمونه تجزیه و تحلیل بقا) با زیرنویس فارسی را برای دانلود قرار داده ام. شما میتوانید با پرداخت 15 هزار تومان ، این ویدیو به علاوه تمامی فیلم های سایت را دانلود کنید. اکثر فیلم های سایت به زبان انگلیسی می باشند. این ویدئو دارای زیرنویس فارسی ترجمه شده توسط هوش مصنوعی می باشد که میتوانید نمونه ای از آن را در قسمت پایانی این مطلب مشاهده کنید.
مدت زمان فیلم: 00:11:51
تصاویر این ویدئو:
قسمتی از زیرنویس این فیلم:
00 =>03
بسیار خوب، در این ویدئو، من قصد دارم نحوه اجرای
2
03 =>06
3
06 =>10
مدل خطرات متناسب کاکس را در SPSS
4
10 =>14
به منظور مدل سازی داده های بقا نشان دهم، بنابراین
5
14 =>15
اساساً ما یک
6
15 =>18
تجزیه و تحلیل بقا را انجام خواهیم داد و به
7
18 =>21
پیش بینی کننده های بقا و خطر نگاه خواهیم کرد.
8
21 =>25
بنابراین اولین کاری که ما انجام خواهیم داد این است
9
25 =>27
که توجه داشته باشید که داده ها از کجا می آیند،
10
27 =>29
در واقع از یک مثال
11
29 =>32
ارائه شده و کتابچه راهنمای کاربر Stata و
12
32 =>36
برای تجزیه و تحلیل بقا و من در واقع
13
36 =>38
آن را از این مکان دانلود کردم،
14
38 =>42
این اساساً داده های سرطان است.
15
42 =>46
کارآزمایی دارویی با 48 شرکتکننده، 28 شرکتکننده
16
46 =>49
که درمانی دریافت میکنند که ما فقط آن
17
49 =>52
را داروی یک یا دارونما مینامیم که
18
52 =>55
داروی صفر است و همچنین سن آنها را
19
55 =>59
از شروع مطالعه داریم، بنابراین
20
59 =>01:02
اساساً به مجموعه دادههایمان و
21
01:02 =>01:04
با متغیرهایمان نگاه میکنیم. زمان مطالعه
22
01:04 =>01:07
که تعداد ماههایی است که یک
23
01:07 =>01:11
شرکتکننده در مطالعه شرکت
24
01:11 =>01:14
کرده است تا زمانی که یک رویداد خاتمه تعیین شود، رویداد
25
01:14 =>01:17
پایانی یا مرگ خواهد بود
26
01:17 =>01:20
که در واقع روی آن پوشش داده شده است.
27
01:20 =>01:23
متغیر e died بهعنوان یک یا اساساً یک
28
01:23 =>01:25
حق سانسور میکند که یا در
29
01:25 =>01:29
طول دوره جمعآوری دادههای واقعی، آزمودنی از مطالعه گم شده
30
01:29 =>01:33
است یا در پایان
31
01:33 =>01:39
دوره مطالعه مرگ واقعاً
32
01:39 =>01:42
مشاهده نشده است، بنابراین در آن صورت آن
33
01:42 =>01:45
مورد خاص به درستی سانسور میشود
34
01:45 =>01:48
و با توجه به مقدار صفر در متغیر دای
35
01:48 =>01:51
، دارویی نیز داریم که
36
01:51 =>01:55
مجدداً برای گروه دارونما 0 و
37
01:55 =>01:58
برای درمان دارویی 1 است و سپس سنی که
38
01:58 =>02:01
منعکس کننده سن شرکت کننده
39
02:01 =>02:04
در شروع مطالعه است، بنابراین بیایید تجزیه و تحلیل خود را انجام دهیم،
40
02:04 =>02:07
بنابراین من در اینجا به تجزیه و تحلیل
41
02:07 =>02:09
بقا می پردازم و به رگرسیون کاکس پایین
42
02:09 =>02:12
می رویم و متغیر زمان مطالعه را
43
02:12 =>02:13
44
02:13 =>02:16
در کادر زمان قرار می دهیم، بنابراین باز هم این
45
02:16 =>02:18
بازتاب زمان از شروع مطالعه
46
02:18 =>02:21
تا یک رویداد پایانی، اعم از مرگ
47
02:21 =>02:26
یا سانسور است. به هر حال، این در
48
02:26 =>02:29
ماهها است، بنابراین زمان در این کادر است
49
02:29 =>02:30
، ما متغیر سانسور خود را
50
02:30 =>02:33
که از بین رفته است را در جعبه وضعیت قرار میدهیم
51
02:33 =>02:36
و این یک نمونه تلخ است، اما
52
02:36 =>02:39
این همان تجزیه و تحلیل بقا است. یک
53
02:39 =>02:44
تکنیک رایج و بایوس است که
54
02:44 =>02:47
اپیدمیولوژی زیستی را بررسی می کند و شما تحقیق