TP TreeAge Pro中文帮助中心

在分布之间创建相关性(Creating Correlations Among Distributions)

TreeAge Pro 可以轻松地为相关输入在分布之间创建相关性(correlation)。这既可用于成本效果模型的概率敏感性分析中的参数输入分布,也可用于患者模拟(Patient Simulation)中的患者特征。本节重点介绍 PSA。

在分布样本之间引入相关性有两种方式。

  • 在现有分布之间创建相关性,以生成相关样本。

  • 创建一个多元正态分布(MultiNormal distribution),由正态分布生成一组相关样本。

我们推荐第一种方式,因此本节重点介绍该方式,并在末尾补充第二种方式的相关信息。

分布之间的相关性(Correlations Among Distributions)

模型输入之间可以存在相关性,即一个输入的变化与其他输入的变化相关。如果从相互独立的分布对这些输入抽样,这种相关性就会被忽略。如果在概率敏感性分析中忽略相关性,结果的方差会大于实际情况。

输入相关性的取值范围为 -1 到 1。

  • 1 表示输入之间 100% 相关

  • 0 表示输入之间不相关

  • -1 表示输入之间 100% 反向相关

分布之间的相关性体现在相关样本上。若为正相关,则来自第一个分布的较大样本值往往与来自第二个分布的较大样本值配对。若为负相关,情况则相反。

以下两个自定义散点图(Custom Scatterplots)显示了从两个 Beta 分布抽取的样本,其均值分别为 0.15 和 0.13。在第一个图中不存在相关性,因此样本完全独立。

在第二个图中,两个分布之间存在 0.8 的强相关。请注意,一个分布的高样本通常对应另一个分布的高样本。

为说明如何创建此类相关性,我们将在医疗健康示例模型 Markov-PSA-Final.trex 中添加相关性,添加相关性后的版本为模型 Markov-PSA-Final-Corr.trex。

  • 打开示例模型 Markov-PSA-Final.trex。

  • 打开分布视图。

  • 单击 + 添加新分布。

  • 选择类型 Correlation。

  • 输入名称 dist_CorrProg。

  • 单击"编辑矩阵与选项(Edit Matrix & Options)"按钮。

  • 将变量数(Variate Count)改为 3,以便在与疾病进展相关的 3 个分布之间创建相关性。

  • 在顶部列标题处选择这 3 个分布——dist_pLocalToMets1、dist_pLocalToMets2、dist_pLocalToMets3。

    • 请注意,您可能需要放大对话框和列的宽度。
  • 按如下所示输入分布之间的相关系数,然后单击"确定(OK)"。

    • 请注意,所有相关系数均为正,但相关强度依次由 1-2、1-3 到 2-3 递减。

    在"添加/更改分布"对话框中单击"确定(OK)"以保存新分布。

请注意,新建的相关性 dist_Corr_Prog 不会在模型中被直接引用。它的作用是对模型中引用的三个分布 dist_pLocalToMets1、dist_pLocalToMets2、dist_pLocalToMets3 的样本建立相关性。

本节前面显示了两个自定义散点图,用于对比前 2 个进展分布样本之间的关系与不相关的情形。在分布 1 与 3、分布 2 与 3 之间,我们会看到类似但略弱的相关性。

现在,我们以策略 1 和策略 2 的结果为例,考察相关性对整体 PSA 结果的影响。由于进展概率现在强相关,在同一次整体模型计算中,两个策略往往会同时呈现较低的期望寿命(进展较高)或较高的期望寿命(进展较低)。

查看两个示例模型的 ICE 散点图即可看出这一点。第一个来自不带相关性的 PSA。

在下面的第二个图中,增量效果(Incremental Effectiveness,IE)的范围小得多,因为很少有抽样得到的进展概率组合出现一个很高而另一个很低的情况。(为便于与第一个图直接比较,该图已放大坐标尺度。)

由于所有相关系数均为正,在策略 1 与 3、策略 2 与 3 的比较中,我们预期会看到类似的相关性影响。

多元正态分布(MultiNormal Distributions)

在支持为现有分布添加相关性(如上一节所述)之前,建模者使用多元正态分布。该方式目前仍受支持,但我们通常推荐上文详述的做法。

若要在抽样时引入相关性,可以使用多元正态分布。多元正态分布包含多个相关的变量(variate),并为每个变量生成相关样本。例如,如果您有三个相关输入,可创建一个包含三个相关变量的多元正态分布,生成三组相关样本。

本节其余部分介绍在概率敏感性分析(PSA)背景下,如何为参数创建和使用多元正态分布。您也可以在患者模拟(微观模拟)背景下,用多元正态分布处理患者特征。

相关性示例模型

医疗健康示例模型 MultiNormal Distribution Correlation.trex 是一个比较两种治疗方案的成本效果决策树。

在每个策略中,患者的路径取决于根除肿瘤的概率。两个策略中的概率不同,分别由变量 pEradicateRad 和 pEradicateRadSurg 表示。

用于概率敏感性分析(PSA)时,这些变量引用的是分布。该模型被设置为可在这两个概率输入之间带相关性或不带相关性的情况下对概率抽样,以便我们考察相关性对 PSA 结果的影响。

  • 无相关性——将变量 correlatedSw 设为 0。两个概率分别从相互独立的正态分布抽样。

  • 有相关性——将变量 correlatedSw 设为 1。两个概率从同一个多元正态分布抽样,该分布生成两个相关样本。

本节稍后将考察带相关性与不带相关性时 PSA 的结果。注意:概率参数通常应使用 Beta 分布,但本示例中使用的是正态分布。

创建多元正态分布(Creating a MultiNormal Distribution)

尽管本章使用的示例模型 MultiNormal Distribution Correlation.trex 中已创建了多元正态分布,本节仍介绍如何自行创建。

  • 打开分布视图。

  • 单击"+"按钮创建新分布。

  • 输入分布名称。

  • 在分布类型列表中向下滚动,选择 MultiNormal。

  • 单击"编辑矩阵与选项(Edit Matrix & Options)"按钮(参见图 截图 #1)。将打开第二个对话框"Edit Matrix & Options"(参见图 截图 #2)

  • 输入变量数(至少为 2)。

  • 根据相关性数据的形式选择合适的矩阵类型(Matrix type)。这通常取决于生成相关性所用的软件。

  • 单击矩阵上方的列标题,为多元正态分布中的每个变量输入名称(可选)(参见图 截图 #2,其中已将 Radiation 和 Rad_Surg 输入为列标题)。

  • 将相关性数据输入矩阵网格。

  • 输入各变量的均值。

  • 输入各变量的标准差(或缩放)值。请注意,矩阵类型已内置方差信息,因此无需再输入变量标准差。

  • 如果矩阵、均值和标准差数据已在 Excel 中,您可以直接将数据复制粘贴到"Matrix"对话框中。请使用矩阵上方的复制和粘贴按钮。

  • 单击"确定(OK)"返回"添加/更改分布"对话框。

  • 在本例中,重抽样频率设为"Resample per EV"以便用于 PSA,这正是本场景所需。

  • 单击"确定(OK)"保存分布。

截图 #1

截图 #2

对于上面截图 #2 中显示的前两种矩阵类型——Variance/Covariance 与 Correlation——TreeAge 会在抽样前执行 Cholesky 分解。使用"Show Cholesky"按钮可显示 TreeAge 计算出的 Cholesky 矩阵。

对于后两种矩阵类型——Cholesky (Var/Covar) 与 Cholesky (Correlation)——Cholesky 分解已包含在矩阵中,因此 TreeAge Pro 不会再次应用。根据您生成相关性所用的软件,您可以用这 4 种格式中的任意一种输入数据。

多元正态分布创建完成后,在分布视图中选中该分布,然后单击分布视图工具栏中的"Graph It"图标,即可查看为多元正态分布各变量生成的样本。

在模型中引用多元正态分布(Referencing the MultiNormal Distribution in the Model)

尽管本章使用的医疗健康示例模型 MultiNormal Distribution Correlation.trex 中已包含该多元正态分布,本节仍介绍如何引用它。

与所有分布一样,它必须在模型中被引用才会对结果产生影响。许多分布每次抽样只返回一个值,这类分布可直接引用,即 pVariable = dist_for_pVariable。像 MultiNormal 和 Dirichlet 这类包含多个变量(即可返回多个值)的分布必须采用不同的引用方式,以便您指定所需的变量。两种形式如下。

  • 按名称:Dist("DistName"; "VariateName")

  • 按索引:Dist(DistIndex; VariateIndex)

您也可以按名称引用分布、按索引引用变量,或反过来。请注意,名称参数始终放在引号内,而索引参数不加引号。

在示例模型中,多元正态分布使用上述第一种形式引用,但仅在 correlationSw = 1 时使用。因此我们看到以下定义:

  • pEradicateRad = if( correlatedSw=1 ; Dist("dist_pEradicateBoth"; "Radiation"); dist_pEradicateRad)

  • pEradicateRadSurg = if( correlatedSw=1 ; Dist("dist_pEradicateBoth"; "Rad_Surg"); dist_pEradicateRadSurg)

当以变量 correlationSw = 0 运行 PSA 时,概率的样本来自两个独立的正态分布——dist_pEradicateRad 与 dist_pEradicateRadSurg。当 correlationSw = 1 时,概率的样本来自多元正态分布的两个变量。

相关性对 PSA 结果的影响

要了解参数相关性的影响,可以先在不带相关性的情况下(correlationSw = 0)运行 PSA,然后再带相关性(correlationSw = 1)运行。该模型中参数之间高度相关(0.8),因此我们预期这些概率会随样本以相似的方式变化。

我们特别查看 ICE 散点图,以说明参数不确定性的影响——先看不带相关性的情形,再看带相关性的情形。

PSA 结果——不带相关性的 ICE 散点图(correlationSw = 0)

不带相关性时,增量效果的方差范围约为 0.6 到 2.3。

PSA 结果——带相关性的 ICE 散点图(correlationSw = 1)

在上述图中,带相关性时增量效果的方差范围约为 0.9 到 1.8。

当抽样的概率之间高度相关时,两个策略的效果值会同向变化。这会减小策略结果之间的增量效果。增量成本范围的缩小则不太明显,因为增量成本还受另一个分布 dist_cSurgery 的影响。