TGViewer
مقاله | کنفرانس | همایش | سمینار مقاله | کنفرانس | همایش | سمینار @confpaper · 1.6K subscribers
Post #1351 61
🔹 مدل خطر اختصاصی علت و مدل فاین گری؛ در خطرهای رقابتی کدام سؤال را می‌خواهیم پاسخ دهیم؟

وقتی چند رویداد می‌توانند با یکدیگر رقابت کنند، صرف دانستن اینکه «خطر رقابتی وجود دارد» کافی نیست.

پژوهشگر باید مشخص کند دقیقاً چه نوع اثری را می‌خواهد برآورد کند.

در این شرایط دو رویکرد رایج عبارت‌اند از:

مدل خطر اختصاصی علت

و مدل فاین گری.

این دو مدل به سؤال‌های متفاوتی پاسخ می‌دهند.

══════════════

🧠 مدل خطر اختصاصی علت چه می‌پرسد؟

فرض کنید پیامد اصلی «ترک تحصیل» و رویداد رقابتی «فارغ‌التحصیلی» باشد.

مدل خطر اختصاصی علت می‌پرسد:

«در میان دانشجویانی که تا این لحظه هنوز هیچ‌یک از این رویدادها را تجربه نکرده‌اند، یک متغیر چگونه با نرخ لحظه‌ای ترک تحصیل مرتبط است؟»

اگر دانشجویی فارغ‌التحصیل شود، دیگر از مجموعه افرادی که در معرض ترک تحصیل هستند خارج می‌شود.

این مدل بیشتر برای فهم سازوکار و ارتباط علت‌محور با نرخ وقوع رویداد مفید است.

══════════════

📌 مدل فاین گری چه سؤال متفاوتی دارد؟

مدل فاین گری مستقیماً به «بروز تجمعی» رویداد اصلی توجه می‌کند.

یعنی می‌پرسد:

«یک متغیر چگونه با احتمال تجمعی ترک تحصیل در طول زمان، در حضور فارغ‌التحصیلی به عنوان رویداد رقابتی، مرتبط است؟»

در این رویکرد، وجود رویدادهای رقیب بخشی از مسئله‌ای است که می‌خواهیم احتمال واقعی رویداد اصلی را در آن برآورد کنیم.

══════════════

✍️ مثال پژوهشی

فرض کنید حمایت استاد راهنما را بررسی می‌کنیم.

ممکن است حمایت بیشتر:

هم خطر ترک تحصیل را کاهش دهد،

و هم احتمال فارغ‌التحصیلی را افزایش دهد.

در این صورت، اثر حمایت بر احتمال تجمعی ترک تحصیل فقط از مسیر مستقیم کاهش ترک تحصیل شکل نمی‌گیرد.

افزایش فارغ‌التحصیلی نیز تعداد افرادی را که بعداً می‌توانند ترک تحصیل کنند کاهش می‌دهد.

به همین دلیل نتیجه مدل فاین گری می‌تواند با مدل خطر اختصاصی علت متفاوت باشد.

══════════════

📌 تفاوت در تفسیر ضرایب مهم است

در مدل خطر اختصاصی علت، نسبت مخاطره به نرخ لحظه‌ای رویداد اصلی در میان افراد هنوز در معرض خطر مربوط است.

در مدل فاین گری، ضریب به «مخاطره زیرتوزیعی» مربوط می‌شود و برای توصیف تغییر در بروز تجمعی رویداد استفاده می‌شود.

بنابراین نباید ضرایب این دو مدل را صرفاً به دلیل شباهت عددی، دارای معنای یکسان دانست.

══════════════

⚠️ خطای رایج: انتخاب مدل فقط بر اساس مقدار p

گاهی پژوهشگر هر دو مدل را اجرا می‌کند و مدلی را گزارش می‌کند که نتیجه معنادارتری داشته است.

این کار از نظر روش‌شناختی درست نیست.

انتخاب مدل باید بر اساس سؤال پژوهش انجام شود.

اگر سؤال درباره سازوکار و نرخ لحظه‌ای وقوع رویداد باشد، مدل خطر اختصاصی علت مناسب‌تر است.

اگر سؤال درباره احتمال واقعی تجمعی یک رویداد در حضور رقبا باشد، مدل فاین گری معمولاً ارتباط مستقیم‌تری با سؤال دارد.

══════════════

📌 ممکن است هر دو مدل مفید باشند

در برخی مطالعات، گزارش هر دو تحلیل می‌تواند تصویر کامل‌تری ارائه دهد.

مثلاً ممکن است یک متغیر اثر کمی بر نرخ مستقیم ترک تحصیل داشته باشد، اما به دلیل تأثیر قوی بر فارغ‌التحصیلی، احتمال تجمعی ترک تحصیل را به شکل محسوسی تغییر دهد.

این تفاوت می‌تواند از نظر علمی بسیار مهم باشد.

══════════════

🎯 قبل از انتخاب مدل چه بپرسیم؟

آیا هدف من توضیح سازوکار وقوع رویداد است؟

یا می‌خواهم احتمال واقعی وقوع رویداد تا یک زمان مشخص را پیش‌بینی کنم؟

آیا رویدادهای رقیب از نظر علمی مهم‌اند؟

و آیا متغیر مورد مطالعه ممکن است بر خود رویدادهای رقیب نیز اثر بگذارد؟

پاسخ به این پرسش‌ها مسیر تحلیل را مشخص می‌کند.

══════════════

✅ جمع‌بندی

در تحلیل خطرهای رقابتی، مدل خطر اختصاصی علت و مدل فاین گری جایگزین‌های کاملاً هم‌معنا نیستند.

مدل خطر اختصاصی علت بیشتر می‌پرسد:

«در میان افراد هنوز در معرض خطر، نرخ وقوع رویداد چگونه تغییر می‌کند؟»

مدل فاین گری بیشتر می‌پرسد:

«در حضور رویدادهای رقیب، احتمال تجمعی رویداد اصلی چگونه تغییر می‌کند؟»

پس پیش از انتخاب مدل، اول باید سؤال پژوهش را دقیق کنید؛ زیرا دو مدل می‌توانند از یک داده، پاسخ‌هایی متفاوت اما هر دو درست به دو سؤال متفاوت بدهند.

📚 @confpaper
More from @confpaper
  1. Sep 28, 2026🔹 رویدادهای تکرارشونده در تحلیل بقا؛ وقتی هر فرد ممکن است بیش از یک بار رویداد را تجربه ک…
  2. Sep 28, 2026🔹 خطرهای رقابتی در تحلیل بقا؛ وقتی یک رویداد مانع وقوع رویداد اصلی می‌شود در برخی مطالعات…
  3. Sep 28, 2026🔹 متغیر وابسته به زمان در تحلیل بقا؛ وقتی مقدار یک پیش‌بین در طول مطالعه تغییر می‌کند در…
  4. Sep 27, 2026🔹 نقض فرض مخاطرات متناسب؛ وقتی اثر یک متغیر در طول زمان ثابت نمی‌ماند در مدل استاندارد کا…
  5. Sep 27, 2026🔹 مدل کاکس؛ چگونه اثر چند متغیر را بر زمان وقوع یک رویداد هم‌زمان بررسی کنیم؟ منحنی کاپلا…
  6. Sep 27, 2026🔹 آزمون لگ‌رنک؛ وقتی دو منحنی بقا متفاوت به نظر می‌رسند، چگونه تفاوت را آزمون کنیم؟ در نم…
Threads Profile ViewerView any public Threads profile without an account.Open ThreadLook →Writing with AI? Make it sound human.Metric37 rewrites AI drafts so they read naturally. Free AI detector, 1,500 words free.Try Metric37 →