{"id":{"repo_id":"athens","oai_identifier":"oai:lib.uoa.gr:uoadl:2815399"},"canonical_url":"https://search.ndltd.org/etd/athens/oai:lib.uoa.gr:uoadl:2815399","repository":{"repo_id":"athens","name":"National and Kapodistrian University of Athens","base_url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh"},"display":{"title":"Bayesian Inference for Cure Rate Models","abstract":"Η ανάλυση επιβίωσης αποτελείται από ένα σύνολο στατιστικών μεθόδων που στοχεύει στη μελέτη του χρόνου μέχρι την εμφάνιση ενός συγκεκριμένου γεγονότος όπως ο θάνατος. Για την πλειονότητα των μεθόδων αυτών, θεωρείται πως όλα τα άτομα που συμμετέχουν υπόκεινται στο γεγονός που μας ενδιαφέρει. Ωστόσο, υπάρχουν περιπτώσεις όπου η υπόθεση αυτή δεν είναι ρεαλιστική, καθώς υπάρχουν ασθενείς που δεν θα βιώσουν το γεγονός αυτό στη διάρκεια της μελέτης. Για αυτό το λόγο, έχουν αναπτυχθεί ορισμένα μοντέλα επιβίωσης που επιτρέπουν την ύπαρξη ασθενών οι οποίοι δε βιώνουν το συμβάν και ονομάζονται μακροχρόνια επιζώντες. Τα μοντέλα αυτά ονομάζονται μοντέλα ρυθμού θεραπείας και υποθέτουν ότι, καθώς ο χρόνος αυξάνεται, η συνάρτηση επιβίωσης τείνει σε μια τιμή p ∈ (0,1), που αντιπροσωπεύει το ποσοστό των μακροχρόνια επιζώντων, αντί να τείνει στο μηδέν όπως στην κλασική ανάλυση επιβίωσης. Πρόσφατα, ο Rocha (2016) πρότεινεμία νέα προσέγγισητωνπροβλημάτωνεπιβίωσης μεμακροχρόνια επιζώντες. Η μεθοδολογία του για τη μοντελοποίηση του ποσοστού των μακροχρόνια επιζώντων βασίστηκε στη χρήση των «ελαττωματικών» (defective) κατανομών, οι οποίες χαρακτηρίζονται από το γεγονός ότι το ολοκλήρωμα της συνάρτησης πιθανότητάς τους δεν ισούται με τη μονάδα για ορισμένες επιλογές του πεδίου ορισμού κάποιων παραμέτρων τους. Σκοπός της παρούσας διπλωματικής εργασίας, είναι να παράσχει νέους Μπεϋζιανούς εκτιμητές των παραμέτρων των «ελαττωματικών» μοντέλων κάτω από την υπόθέση της δεξιάς λογοκρισίας. Επίσης, θα αναπτυχθούν αλγόριθμοι Markov chain Monte Carlo (MCMC) για τη συμπερασματολογία σχετικά με τις παραμέτρους μιας ευρείας κατηγορίας μοντέλων ρυθμού θεραπείας βασισμένων στις «ελαττωματικές» αυτές κατανομές, ενώ οι Μπεϋζιανοί εκτιμητές και τα αντίστοιχα διαστήματα αξιοπιστίας θα ληφθούν από τα δείγματα της από κοινού εκ των υστέρων κατανομής. Επιπλέον, η συμπεριφορά των Μπεϋζιανών εκτιμητών θα αξιολογηθεί και θα συγκριθεί με αυτή των εκτιμητών μεγίστης πιθανοφάνειας του Rocha (2016) μέσω πειραμάτων προσομοίωσης. Ακόμη, τα προτεινόμενα αυτά μοντέλα-κατανομές θα εφαρμοσθούν σε πραγματικά σετ δεδομένων, όπου και θα συγκριθούν μεταξύ τους μέσω κατάλληλων στατιστικών μεγεθών. Τέλος, αξίζει να σημειωθεί πως η παρούσα διπλωματική εργασία αποτελεί την πρώτη προσπάθεια διερεύνησης των πλεονεκτημάτων της Μπεϋζιανής προσέγγισης στη συμπερασματολογία για τις παραμέτρους αρκετών μοντέλων ρυθμού θεραπείας, κάτω από την υπόθεση της δεξιάς λογοκρισίας, καθώς και της απόκτησης νέων Μπεϋζιανών εκτιμητών, χωρίς όμως τη συμπερίληψη της πληροφορίας από συν μεταβλητές.","abstract_html":"Η ανάλυση επιβίωσης αποτελείται από ένα σύνολο στατιστικών μεθόδων που στοχεύει στη μελέτη του χρόνου μέχρι την εμφάνιση ενός συγκεκριμένου γεγονότος όπως ο θάνατος. Για την πλειονότητα των μεθόδων αυτών, θεωρείται πως όλα τα άτομα που συμμετέχουν υπόκεινται στο γεγονός που μας ενδιαφέρει. Ωστόσο, υπάρχουν περιπτώσεις όπου η υπόθεση αυτή δεν είναι ρεαλιστική, καθώς υπάρχουν ασθενείς που δεν θα βιώσουν το γεγονός αυτό στη διάρκεια της μελέτης. Για αυτό το λόγο, έχουν αναπτυχθεί ορισμένα μοντέλα επιβίωσης που επιτρέπουν την ύπαρξη ασθενών οι οποίοι δε βιώνουν το συμβάν και ονομάζονται μακροχρόνια επιζώντες. Τα μοντέλα αυτά ονομάζονται μοντέλα ρυθμού θεραπείας και υποθέτουν ότι, καθώς ο χρόνος αυξάνεται, η συνάρτηση επιβίωσης τείνει σε μια τιμή p ∈ (0,1), που αντιπροσωπεύει το ποσοστό των μακροχρόνια επιζώντων, αντί να τείνει στο μηδέν όπως στην κλασική ανάλυση επιβίωσης. Πρόσφατα, ο Rocha (2016) πρότεινεμία νέα προσέγγισητωνπροβλημάτωνεπιβίωσης μεμακροχρόνια επιζώντες. Η μεθοδολογία του για τη μοντελοποίηση του ποσοστού των μακροχρόνια επιζώντων βασίστηκε στη χρήση των «ελαττωματικών» (defective) κατανομών, οι οποίες χαρακτηρίζονται από το γεγονός ότι το ολοκλήρωμα της συνάρτησης πιθανότητάς τους δεν ισούται με τη μονάδα για ορισμένες επιλογές του πεδίου ορισμού κάποιων παραμέτρων τους. Σκοπός της παρούσας διπλωματικής εργασίας, είναι να παράσχει νέους Μπεϋζιανούς εκτιμητές των παραμέτρων των «ελαττωματικών» μοντέλων κάτω από την υπόθέση της δεξιάς λογοκρισίας. Επίσης, θα αναπτυχθούν αλγόριθμοι Markov chain Monte Carlo (MCMC) για τη συμπερασματολογία σχετικά με τις παραμέτρους μιας ευρείας κατηγορίας μοντέλων ρυθμού θεραπείας βασισμένων στις «ελαττωματικές» αυτές κατανομές, ενώ οι Μπεϋζιανοί εκτιμητές και τα αντίστοιχα διαστήματα αξιοπιστίας θα ληφθούν από τα δείγματα της από κοινού εκ των υστέρων κατανομής. Επιπλέον, η συμπεριφορά των Μπεϋζιανών εκτιμητών θα αξιολογηθεί και θα συγκριθεί με αυτή των εκτιμητών μεγίστης πιθανοφάνειας του Rocha (2016) μέσω πειραμάτων προσομοίωσης. Ακόμη, τα προτεινόμενα αυτά μοντέλα-κατανομές θα εφαρμοσθούν σε πραγματικά σετ δεδομένων, όπου και θα συγκριθούν μεταξύ τους μέσω κατάλληλων στατιστικών μεγεθών. Τέλος, αξίζει να σημειωθεί πως η παρούσα διπλωματική εργασία αποτελεί την πρώτη προσπάθεια διερεύνησης των πλεονεκτημάτων της Μπεϋζιανής προσέγγισης στη συμπερασματολογία για τις παραμέτρους αρκετών μοντέλων ρυθμού θεραπείας, κάτω από την υπόθεση της δεξιάς λογοκρισίας, καθώς και της απόκτησης νέων Μπεϋζιανών εκτιμητών, χωρίς όμως τη συμπερίληψη της πληροφορίας από συν μεταβλητές.","abstract_has_math":false,"creators":["Τσιαμπαλής Θωμάς","Tsiampalis Thomas"],"institution":null,"degree_name":null,"degree_level":null,"degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":[],"committee_chairs":[],"committee_members":[],"year":2018,"date_issued":"2018","date_published":"2018","updated_at":"2026-11-19T05:32:31Z","subjects":["Επιστήμες Υγείας","Health Sciences"],"languages":["English"],"rights":[],"rights_urls":[],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:2815399"],"render_values":[{"text":"uoadl:2815399","href":null,"code":true}]}],"person_identifier_entries":[]},"links":{"outbound_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/2815399","outbound_label":"Repository record","outbound_source":"dc:identifier","record_url":"https://pergamos.lib.uoa.gr/uoa/dl/object/2815399","record_label":"Repository record","record_kind":"record","record_source":"dc:identifier","download_url":null,"download_label":null,"download_source":null,"access_status":null,"embargo_until":null,"access_note":null},"source_record":{"url":"https://pergamos.lib.uoa.gr/uoa/dl/frontend/oaipmh?verb=GetRecord&metadataPrefix=oai_dc&identifier=oai%3Alib.uoa.gr%3Auoadl%3A2815399","prefix":"oai_dc"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["Τσιαμπαλής Θωμάς","Tsiampalis Thomas"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date","label":"Dc Date","values":["2018"]},{"key":"dc:type","label":"Dc Type","values":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]}]},{"id":"subjects_keywords","label":"Subjects and Keywords","entries":[{"key":"dc:subject","label":"Dc Subject","values":["Επιστήμες Υγείας","Health Sciences"]}]},{"id":"language_rights","label":"Language and Rights","entries":[{"key":"dc:language","label":"Dc Language","values":["English"]}]},{"id":"identifiers","label":"Identifiers","entries":[{"key":"dc:identifier","label":"Identifier","values":["uoadl:2815399","https://pergamos.lib.uoa.gr/uoa/dl/object/2815399"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["Η ανάλυση επιβίωσης αποτελείται από ένα σύνολο στατιστικών μεθόδων που στοχεύει στη μελέτη του χρόνου μέχρι την εμφάνιση ενός συγκεκριμένου γεγονότος όπως ο θάνατος. Για την πλειονότητα των μεθόδων αυτών, θεωρείται πως όλα τα άτομα που συμμετέχουν υπόκεινται στο γεγονός που μας ενδιαφέρει. Ωστόσο, υπάρχουν περιπτώσεις όπου η υπόθεση αυτή δεν είναι ρεαλιστική, καθώς υπάρχουν ασθενείς που δεν θα βιώσουν το γεγονός αυτό στη διάρκεια της μελέτης. Για αυτό το λόγο, έχουν αναπτυχθεί ορισμένα μοντέλα επιβίωσης που επιτρέπουν την ύπαρξη ασθενών οι οποίοι δε βιώνουν το συμβάν και ονομάζονται μακροχρόνια επιζώντες. Τα μοντέλα αυτά ονομάζονται μοντέλα ρυθμού θεραπείας και υποθέτουν ότι, καθώς ο χρόνος αυξάνεται, η συνάρτηση επιβίωσης τείνει σε μια τιμή p ∈ (0,1), που αντιπροσωπεύει το ποσοστό των μακροχρόνια επιζώντων, αντί να τείνει στο μηδέν όπως στην κλασική ανάλυση επιβίωσης. Πρόσφατα, ο Rocha (2016) πρότεινεμία νέα προσέγγισητωνπροβλημάτωνεπιβίωσης μεμακροχρόνια επιζώντες. Η μεθοδολογία του για τη μοντελοποίηση του ποσοστού των μακροχρόνια επιζώντων βασίστηκε στη χρήση των «ελαττωματικών» (defective) κατανομών, οι οποίες χαρακτηρίζονται από το γεγονός ότι το ολοκλήρωμα της συνάρτησης πιθανότητάς τους δεν ισούται με τη μονάδα για ορισμένες επιλογές του πεδίου ορισμού κάποιων παραμέτρων τους. Σκοπός της παρούσας διπλωματικής εργασίας, είναι να παράσχει νέους Μπεϋζιανούς εκτιμητές των παραμέτρων των «ελαττωματικών» μοντέλων κάτω από την υπόθέση της δεξιάς λογοκρισίας. Επίσης, θα αναπτυχθούν αλγόριθμοι Markov chain Monte Carlo (MCMC) για τη συμπερασματολογία σχετικά με τις παραμέτρους μιας ευρείας κατηγορίας μοντέλων ρυθμού θεραπείας βασισμένων στις «ελαττωματικές» αυτές κατανομές, ενώ οι Μπεϋζιανοί εκτιμητές και τα αντίστοιχα διαστήματα αξιοπιστίας θα ληφθούν από τα δείγματα της από κοινού εκ των υστέρων κατανομής. Επιπλέον, η συμπεριφορά των Μπεϋζιανών εκτιμητών θα αξιολογηθεί και θα συγκριθεί με αυτή των εκτιμητών μεγίστης πιθανοφάνειας του Rocha (2016) μέσω πειραμάτων προσομοίωσης. Ακόμη, τα προτεινόμενα αυτά μοντέλα-κατανομές θα εφαρμοσθούν σε πραγματικά σετ δεδομένων, όπου και θα συγκριθούν μεταξύ τους μέσω κατάλληλων στατιστικών μεγεθών. Τέλος, αξίζει να σημειωθεί πως η παρούσα διπλωματική εργασία αποτελεί την πρώτη προσπάθεια διερεύνησης των πλεονεκτημάτων της Μπεϋζιανής προσέγγισης στη συμπερασματολογία για τις παραμέτρους αρκετών μοντέλων ρυθμού θεραπείας, κάτω από την υπόθεση της δεξιάς λογοκρισίας, καθώς και της απόκτησης νέων Μπεϋζιανών εκτιμητών, χωρίς όμως τη συμπερίληψη της πληροφορίας από συν μεταβλητές.","Survival analysis consists of a set of statistical methods in the ﬁeld of biostatistics, whose main aim is to study the time until the occurrence of a speciﬁed event, such as death. For the majority of these methods it is assumed that all the individuals taking part in the study are subject to the event of interest. However, there are situations where this assumption is unrealistic, since there are observations not susceptible to the event of interest or cured. For this reason, there have been developed some survival models which allow for patients that may never experience the event, usually called long-term survivors. These models, called Cure Rate Models, assume that, as time increases, the survival function tends to a value p ∈ (0,1), representing the cure rate, instead of tending to zero as in standard survival analysis. Recently, Rocha (2016) proposed a new approach to modelling the situations in which there are long-term survivors in survival studies. His methodology was based on the use of defective distributions to model cure rates. In contrast to the standard distributions, the defective ones are characterized by having probability density functions which integrate to values less than one for certain choices of the domain of some of their parameters. The aim of the present thesis is to provide new Bayesian estimates for the parameters of the defective models used for cure rate modelling under the assumption of right censoring. We will develop Markov chain Monte Carlo (MCMC) algorithms for inferring the parameters of a broad class of defective models, both for the baseline distributions (Gompertz & Inverse Gaussian), as well as, for their extension under the Marshall-Olkin family of distributions. The Bayesian estimates of the distributions’ parameters, as well as their associated credible intervals, will be obtained from the samples drawn from their joint posterior distribution. In addition, Bayesian estimates’ behaviour will be evaluated and compared with the maximum likelihood estimates obtained by Rocha (2016) through simulation experiments. Finally, we will apply the competing models and approaches to real datasets and we will compare them through various statistical measures. This work will be the ﬁrst attempt to explore the advantages of the Bayesian approach to inference for defective cure rate models under the assumption of right censoring mechanism, as well as the ﬁrst presentation of new Bayesian estimates for several defective distributions, but without incorporating covariate information."]},{"key":"dc:title","label":"Title","values":["Bayesian Inference for Cure Rate Models"]}]}],"canonical_facts":{"dc:creator":["Τσιαμπαλής Θωμάς","Tsiampalis Thomas"],"dc:date":["2018"],"dc:description":["Η ανάλυση επιβίωσης αποτελείται από ένα σύνολο στατιστικών μεθόδων που στοχεύει στη μελέτη του χρόνου μέχρι την εμφάνιση ενός συγκεκριμένου γεγονότος όπως ο θάνατος. Για την πλειονότητα των μεθόδων αυτών, θεωρείται πως όλα τα άτομα που συμμετέχουν υπόκεινται στο γεγονός που μας ενδιαφέρει. Ωστόσο, υπάρχουν περιπτώσεις όπου η υπόθεση αυτή δεν είναι ρεαλιστική, καθώς υπάρχουν ασθενείς που δεν θα βιώσουν το γεγονός αυτό στη διάρκεια της μελέτης. Για αυτό το λόγο, έχουν αναπτυχθεί ορισμένα μοντέλα επιβίωσης που επιτρέπουν την ύπαρξη ασθενών οι οποίοι δε βιώνουν το συμβάν και ονομάζονται μακροχρόνια επιζώντες. Τα μοντέλα αυτά ονομάζονται μοντέλα ρυθμού θεραπείας και υποθέτουν ότι, καθώς ο χρόνος αυξάνεται, η συνάρτηση επιβίωσης τείνει σε μια τιμή p ∈ (0,1), που αντιπροσωπεύει το ποσοστό των μακροχρόνια επιζώντων, αντί να τείνει στο μηδέν όπως στην κλασική ανάλυση επιβίωσης. Πρόσφατα, ο Rocha (2016) πρότεινεμία νέα προσέγγισητωνπροβλημάτωνεπιβίωσης μεμακροχρόνια επιζώντες. Η μεθοδολογία του για τη μοντελοποίηση του ποσοστού των μακροχρόνια επιζώντων βασίστηκε στη χρήση των «ελαττωματικών» (defective) κατανομών, οι οποίες χαρακτηρίζονται από το γεγονός ότι το ολοκλήρωμα της συνάρτησης πιθανότητάς τους δεν ισούται με τη μονάδα για ορισμένες επιλογές του πεδίου ορισμού κάποιων παραμέτρων τους. Σκοπός της παρούσας διπλωματικής εργασίας, είναι να παράσχει νέους Μπεϋζιανούς εκτιμητές των παραμέτρων των «ελαττωματικών» μοντέλων κάτω από την υπόθέση της δεξιάς λογοκρισίας. Επίσης, θα αναπτυχθούν αλγόριθμοι Markov chain Monte Carlo (MCMC) για τη συμπερασματολογία σχετικά με τις παραμέτρους μιας ευρείας κατηγορίας μοντέλων ρυθμού θεραπείας βασισμένων στις «ελαττωματικές» αυτές κατανομές, ενώ οι Μπεϋζιανοί εκτιμητές και τα αντίστοιχα διαστήματα αξιοπιστίας θα ληφθούν από τα δείγματα της από κοινού εκ των υστέρων κατανομής. Επιπλέον, η συμπεριφορά των Μπεϋζιανών εκτιμητών θα αξιολογηθεί και θα συγκριθεί με αυτή των εκτιμητών μεγίστης πιθανοφάνειας του Rocha (2016) μέσω πειραμάτων προσομοίωσης. Ακόμη, τα προτεινόμενα αυτά μοντέλα-κατανομές θα εφαρμοσθούν σε πραγματικά σετ δεδομένων, όπου και θα συγκριθούν μεταξύ τους μέσω κατάλληλων στατιστικών μεγεθών. Τέλος, αξίζει να σημειωθεί πως η παρούσα διπλωματική εργασία αποτελεί την πρώτη προσπάθεια διερεύνησης των πλεονεκτημάτων της Μπεϋζιανής προσέγγισης στη συμπερασματολογία για τις παραμέτρους αρκετών μοντέλων ρυθμού θεραπείας, κάτω από την υπόθεση της δεξιάς λογοκρισίας, καθώς και της απόκτησης νέων Μπεϋζιανών εκτιμητών, χωρίς όμως τη συμπερίληψη της πληροφορίας από συν μεταβλητές.","Survival analysis consists of a set of statistical methods in the ﬁeld of biostatistics, whose main aim is to study the time until the occurrence of a speciﬁed event, such as death. For the majority of these methods it is assumed that all the individuals taking part in the study are subject to the event of interest. However, there are situations where this assumption is unrealistic, since there are observations not susceptible to the event of interest or cured. For this reason, there have been developed some survival models which allow for patients that may never experience the event, usually called long-term survivors. These models, called Cure Rate Models, assume that, as time increases, the survival function tends to a value p ∈ (0,1), representing the cure rate, instead of tending to zero as in standard survival analysis. Recently, Rocha (2016) proposed a new approach to modelling the situations in which there are long-term survivors in survival studies. His methodology was based on the use of defective distributions to model cure rates. In contrast to the standard distributions, the defective ones are characterized by having probability density functions which integrate to values less than one for certain choices of the domain of some of their parameters. The aim of the present thesis is to provide new Bayesian estimates for the parameters of the defective models used for cure rate modelling under the assumption of right censoring. We will develop Markov chain Monte Carlo (MCMC) algorithms for inferring the parameters of a broad class of defective models, both for the baseline distributions (Gompertz & Inverse Gaussian), as well as, for their extension under the Marshall-Olkin family of distributions. The Bayesian estimates of the distributions’ parameters, as well as their associated credible intervals, will be obtained from the samples drawn from their joint posterior distribution. In addition, Bayesian estimates’ behaviour will be evaluated and compared with the maximum likelihood estimates obtained by Rocha (2016) through simulation experiments. Finally, we will apply the competing models and approaches to real datasets and we will compare them through various statistical measures. This work will be the ﬁrst attempt to explore the advantages of the Bayesian approach to inference for defective cure rate models under the assumption of right censoring mechanism, as well as the ﬁrst presentation of new Bayesian estimates for several defective distributions, but without incorporating covariate information."],"dc:identifier":["uoadl:2815399","https://pergamos.lib.uoa.gr/uoa/dl/object/2815399"],"dc:language":["English"],"dc:subject":["Επιστήμες Υγείας","Health Sciences"],"dc:title":["Bayesian Inference for Cure Rate Models"],"dc:type":["born_digital_postgraduate_thesis","Διπλωματική Εργασία","Postgraduate Thesis"]},"updated_at":"2026-11-19T05:32:31Z"}