“若转移时刻受到删失,转移概率可以先从各状态风险集估计局部风险,再按时间顺序组合。Aalen–Johansen 估计给出这一乘积矩阵,并区分 Markov 条件转移概率与更宽情形下的边缘状态占…”
形式陈述
固定有限时间窗与有限状态空间。每个对象的状态路径右连续,窗内只有有限次转移;准确记录进入、转移、删失和共同时间尺度。沿用计数过程的事件前风险窗,
算法用到的
合法输入在每一时刻满足
箭头规定较早时刻的矩阵放左边。每行和为一;合法转移计数使元素非负。连乘因此保持概率总和,而每一笔转出概率同时从原状态扣除、加到目的状态。
要把这份数值乘积解释为
在独立同分布完整路径、删失独立于完整路径,并有足够在险支持等条件下,这些风险集比例才可逼近目标转移量。延迟进入还需相应独立进入和时间支持;初始向量
非 Markov 路径中,未来可能还取决于在当前状态停了多久。独立于整个路径的随机删失、合适支持和正确初始分布下,乘积仍可估计边缘占据概率;这不使整张矩阵自动成为任意s的条件转移矩阵。后者通常须在s处按已知状态筛选landmark样本后重新计算。这里说明目标差别,不把上述有限样本行和不变量当作一致性证明。
用三态竞争风险看懂乘积
状态
吸收状态的行仍是单位矩阵的对应行。由
三个数之和为一。删失只减少第二个时刻的分母,没有产生新的状态质量。在一般多状态模型中,先到达某状态的概率也会影响随后沿该状态出边转移的概率,所以矩阵顺序不能交换。
算法与不变量
先把同一对象的连续观察段整理成正确的出发状态和到达状态,再按事件时间排序。每个时刻先使用事件前风险集构造
若只需一个初始分布,
直觉
一名对象可能从健康进入患病,也可能直接死亡。怎样把各条转移边上的局部风险,合成为“到时间
例子与边界
反例与边界
矩阵顺序有实质意义。例如先把状态0的一半送到1,再把1中的全部送到2,从
本例若把类型
非Markov边界可用一个精确的有限路径总体看见。把下面A至D四条确定路径各赋概率1/4,不设删失;这个示意总体允许固定时刻跳变,用于比较占据概率和条件转移,并不套用前面的连续dt强度假设。起点A、B在状态1,C、D在0;时间1,A从1到2;时间2,C、D从0到1;时间3,C、D从1到2。初始分布是
事件只在定期检查时发现、真实转移时刻未知时,以上精确事件时刻算法不再直接适用。资料中的“最后健康”和“首次患病”定义了区间;把首次检查日当真实转移日,是另一种观察目标而非无损处理。
推论与应用
竞争风险的累计发生率是吸收状态的占据概率。复杂疾病过程则可同时呈现健康、患病和死亡占据率。首次竞争事件模型还可直接写成
参考资料
- Aalen and Johansen, An Empirical Transition Matrix for Non-Homogeneous Markov Chains Based on Censored Observations, Scandinavian Journal of Statistics 5, 1978, pp. 141–150。
- Therneau, Crowson and Atkinson, Multi-state models and competing risks, survival package vignette, 2026-01-12,§2.1,乘积更新及资料结构。
- Nießl, Allignol, Müller and Beyersmann,Estimating state occupation and transition probabilities in non-Markov multi-state models subject to both random left-truncation and right-censoring,2020,§2,尤其 Theorem 2.2 前后的初始分布与 §2.1 的 landmark 说明。