Perintah dan skenario
Anda sedang menganalisis waktu hingga terjadinya suatu peristiwa (event) seperti pembatalan, kekambuhan, atau kerusakan mesin. Untuk pengguna yang masih aktif pada batas akhir (cutoff) observasi, waktu peristiwa yang tepat tidak diketahui; catatan mereka mengalami sensor kanan (right-censored), bukan nol atau kegagalan.
Apa yang diuji oleh pewawancara
- Merepresentasikan waktu observasi dan indikator peristiwa secara benar.
- Menjelaskan risk set Kaplan–Meier dan mengapa penyensoran hanya mengeluarkan subjek setelah waktu penyensorannya.
- Mengetahui kapan model proportional hazards Cox atau analisis competing risk tepat digunakan.
Pertanyaan klarifikasi sebelum menjawab
- Apa definisi peristiwanya, titik awal waktu (time origin), dan batas akhir observasi administratif?
- Apakah penyensoran cukup masuk akal untuk dianggap independen dari waktu peristiwa di masa depan setelah memperhitungkan kovariat yang diobservasi?
- Apakah ada peristiwa bersaing (competing events), seperti peningkatan paket (upgrade) atau kematian, yang mencegah terjadinya pembatalan?
- Apakah tujuannya adalah retensi deskriptif, perbandingan kohort, atau efek perlakuan kausal (causal treatment effect)?
Kerangka jawaban 30 detik
Saya akan menyimpan duration dan flag event, mempertahankan pengguna yang tersensor kanan di dalam risk set hingga waktu observasi terakhir mereka, dan mengestimasi kurva kesintasan (survival curve) Kaplan–Meier. Saya akan membandingkan kurva menggunakan estimand yang telah ditentukan sebelumnya dan interval kepercayaan, lalu menggunakan model Cox hanya setelah memeriksa asumsi proportional hazards. Jika peristiwa bersaing mengubah makna "kesintasan", saya akan melaporkan analisis cause-specific atau cumulative-incidence daripada menyensor peristiwa bersaing tersebut secara diam-diam.
Pembahasan mendalam langkah demi langkah
1. Mengodekan observasi
Untuk setiap subjek, catat waktu dari titik awal yang sama hingga terjadinya peristiwa atau tindak lanjut terakhir yang diketahui, ditambah event = 1 hanya jika peristiwa tersebut terjadi. Pengguna yang aktif pada hari ke-30 menyumbangkan informasi hingga hari ke-30 dan disensor pada saat itu; catatan tersebut tidak menyatakan adanya pembatalan setelah hari ke-30.
2. Membangun estimasi Kaplan–Meier
Pada setiap waktu peristiwa, hitung fraksi yang bertahan hidup sebagai satu dikurangi jumlah peristiwa dibagi dengan jumlah yang berisiko tepat sebelum waktu tersebut. Kalikan fraksi-fraksi kondisional tersebut untuk mendapatkan estimasi kesintasan bertingkat (stepwise). Observasi yang disensor mengubah keanggotaan risk set berikutnya tetapi tidak menciptakan penurunan tangga peristiwa. NIST mendeskripsikan prosedur product-limit ini untuk sampel lengkap dan tersensor.
3. Menyatakan asumsi penyensoran
Penyensoran kanan bersifat informatif (informative censoring) ketika pengguna yang hilang memiliki risiko masa depan yang berbeda secara sistematis. Kaplan–Meier dapat dipertanggungjawabkan ketika penyensoran independen dari waktu peristiwa berdasarkan asumsi analisis, kemungkinan dengan syarat pada kovariat yang diukur. Bandingkan tingkat dan alasan penyensoran berdasarkan kohort dan waktu; gunakan bobot inverse-probability-of-censoring atau skenario sensitivitas ketika asumsi tersebut meragukan.
4. Membandingkan kohort secara cermat
Gunakan horizon yang telah ditentukan sebelumnya seperti kesintasan pada 30 atau 90 hari, restricted mean survival time, atau median hanya jika kurva mencapai 0,5. Uji log-rank menekankan perbedaan luas di seluruh kurva dan bisa menyesatkan ketika fungsi hazard saling bersilangan. Tampilkan jumlah yang berisiko, pita kepercayaan, dan perbedaan absolut daripada hanya melaporkan nilai-p.
5. Menambahkan kovariat dengan regresi Cox
Model Cox mengestimasi hazard ratio di bawah asumsi proportional hazards. Periksa efek yang bervariasi terhadap waktu dan diagnostik residual; hazard ratio tunggal bukanlah perbedaan konstan dalam probabilitas kesintasan. Jika proportional hazards tidak terpenuhi, gunakan interaksi waktu, stratifikasi, model accelerated-failure-time, atau laporkan efek spesifik horizon.
Contoh jawaban berkualitas tinggi
“Saya akan mendefinisikan pembatalan, titik awal, batas akhir, dan flag peristiwa sebelum pemodelan. Pengguna aktif disensor kanan pada observasi terakhir mereka, sehingga mereka tetap berada di setiap risk set hingga waktu tersebut. Saya akan memplot kurva Kaplan–Meier dengan jumlah yang berisiko dan interval kepercayaan, melaporkan kesintasan 30 dan 90 hari atau restricted mean survival time, serta memeriksa apakah penyensoran berbeda menurut kohort. Saya akan menggunakan regresi Cox hanya setelah memeriksa proportional hazards. Jika upgrade mencegah pembatalan, saya akan memperlakukannya sebagai peristiwa bersaing dan melaporkan insidensi kumulatif daripada menyensornya seolah-olah tindak lanjut berhenti begitu saja.”
Kesalahan umum
- Menandai setiap pengguna aktif sebagai kegagalan → retensi menjadi bias ke bawah → gunakan indikator peristiwa dan lakukan sensor kanan pada tindak lanjut terakhir.
- Menghapus pengguna yang tersensor → risk set terkena bias seleksi → pertahankan kontribusi observasi mereka hingga waktu penyensoran.
- Melaporkan median yang tidak pernah dicapai oleh kurva → statistik menjadi tidak terdefinisi → gunakan estimasi horizon tetap atau restricted mean survival time.
- Menginterpretasikan hazard ratio Cox sebagai rasio probabilitas → hazard dan probabilitas kesintasan itu berbeda → terjemahkan efek pada horizon yang konkret.
Pertanyaan lanjutan dan tanggapan
Apa kontribusi dari pengguna yang disensor?
Pengguna tersebut menyumbangkan person-time dan tetap berisiko hingga waktu penyensoran. Setelah waktu tersebut, analisis tidak memiliki informasi observasi mengenai apakah peristiwa tersebut akan terjadi.
Kapan peristiwa bersaing tidak boleh disensor?
Jika sebuah upgrade mencegah pembatalan secara permanen, menyensor upgrade dapat melebih-lebihkan peluang pembatalan. Gunakan cause-specific hazards untuk pertanyaan etiologi dan fungsi cumulative-incidence untuk probabilitas dari setiap peristiwa yang diobservasi.
Bagaimana jika hazard saling bersilangan?
Uji log-rank dan satu proportional hazard ratio dapat mengaburkan pola tersebut. Plot kurvanya, laporkan restricted mean survival time atau perbedaan spesifik horizon, dan modelkan efek yang bervariasi terhadap waktu.