15.16: Analisi di Sopravvivenza Parametrica: distribuzioni di Weibull ed Esponenziale

L'analisi di sopravvivenza parametrica modella i dati di sopravvivenza assumendo una distribuzione di probabilità specifica per il tempo fino al verificarsi di un evento. Le distribuzioni Weibull e quella esponenziale sono due dei metodi più comunemente utilizzati in questo contesto, grazie alla loro versatilità e applicazione relativamente semplice.

Distribuzione di Weibull

La distribuzione di Weibull è un modello flessibile utilizzato nell'analisi di sopravvivenza parametrica. Può gestire sia tassi di rischio crescenti che decrescenti, a seconda del suo parametro di forma (\beta (β)). Quando \beta (β) > 1, il tasso di rischio aumenta nel tempo, rendendolo adatto per la modellazione di processi come l'invecchiamento, in cui il rischio aumenta nel tempo. Se \beta (β) < 1, il rischio diminuisce nel tempo, rappresentando scenari come l'affidabilità della macchina in cui il rischio di guasto diminuisce dopo il test iniziale. Il modello di Weibull è particolarmente utile nella ricerca medica, nell'ingegneria e negli studi sull'affidabilità grazie alla sua capacità di adattarsi a vari modelli di tasso di rischio.

Distribuzione esponenziale

La distribuzione esponenziale è un modello di sopravvivenza parametrico più semplice ed è essenzialmente un caso speciale della distribuzione di Weibull con il parametro di forma (\beta (β)) fissato a 1. Il modello esponenziale presuppone un tasso di rischio costante nel tempo, il che significa che la probabilità che l'evento si verifichi è uniforme indipendentemente da quanto tempo è trascorso. Questo modello è meno flessibile del Weibull, ma è utile in situazioni in cui il rischio costante è un'ipotesi ragionevole, come la modellazione del tempo di guasto per determinati sistemi o dispositivi meccanici.

In pratica, la scelta tra i modelli Weibull ed esponenziale dipende dalla natura della funzione di rischio sottesa. Se il tasso di rischio cambia nel tempo, la distribuzione di Weibull fornisce un adattamento più accurato. Tuttavia, per scenari più semplici con rischio costante, il modello esponenziale offre facilità di interpretazione e calcolo.

Entrambi i modelli svolgono un ruolo fondamentale nella comprensione dei tempi di sopravvivenza e possono aiutare a guidare il processo decisionale in ambito sanitario, nell'ingegneria dell'affidabilità e in numerosi altri settori.

I modelli di Weibull ed esponenziali sono spesso utilizzati nell'analisi della sopravvivenza.

Una distribuzione di Weibull a due parametri ha una curva di sopravvivenza data come segue.

In questo caso, β determina la funzione di pericolo. Un beta più di uno indica che il tasso di pericolo aumenta con il tempo con l'aumentare del rischio nel tempo t.

Un beta inferiore a uno indica che il tasso di pericolo diminuisce nel tempo e indica un rischio decrescente.

Un beta uguale a uno indica un tasso di rischio costante. Questo cambia anche il modello di Weibull nel modello esponenziale, che è espresso come segue.

Nella popolazione umana, un tasso di rischio costante è meno probabile per un lungo periodo di tempo. Tuttavia, si può presumere che sia costante per un breve periodo, ad esempio da 5 a 10 anni.

Se un grafico di stime di S(t) su una scala logaritmica è una linea retta, è più appropriato utilizzare il modello esponenziale per l'analisi della sopravvivenza. Questo perché log S(t) = ₋λt diventa una retta dove ₋λ è la pendenza.