In many applications, such as medicine, biology or actuarial science, the primary interest lies in the time until a certain event occurs. One typical feature of survival data is that the study population is only followed up over a finite time frame. Therefore, the event of interest may not be observed for all individuals, and we have to deal with so-called fixed right-censored data. Further, it might be convenient to consider only individuals that have not experienced the event of interest prior to a prespecified time. In this case, we speak of left-truncation. Handling the resulting lack of information about the real data becomes particularly challenging when we aim to model dependence patterns within clusters of several survival times. Vine-copulas allow highly flexible modeling of high-dimensional dependence structures. Since vine-copula theory has only been developed for complete data so far, we extend existing concepts to make parametric maximum likelihood inference for three and four dimensional fixed right-censored and possibly left-truncated survival data. This allows to model flexible pairwise association patterns within the considered clusters. We thoroughly establish the modified likelihood function in terms of vine-copula components. Thereafter, the small sample performance of the estimator is evaluated through extensive simulations. Further, two real-data applications in tumor research and veterinary medicine are presented demonstrating the viability of the developed models and their estimation.     «

In many applications, such as medicine, biology or actuarial science, the primary interest lies in the time until a certain event occurs. One typical feature of survival data is that the study population is only followed up over a finite time frame. Therefore, the event of interest may not be observed for all individuals, and we have to deal with so-called fixed right-censored data. Further, it might be convenient to consider only individuals that have not experienced the event of interest prior...     »

In zahlreichen Anwendungsbereichen wie Medizin, Biologie oder den Aktuarswissenschaften besteht besonderes Interesse darin, Aussagen über die Dauer zu treffen, bis ein bestimmtes Ereignis eintritt. Charakteristisch für Survival Daten ist es, dass das Ereignis im Rahmen einer zeitlich begrenzten Studie nicht für alle Teilnehmer beobachtet wird, sodass unvollständige Daten vorliegen. Auch ist es gängig, sich auf Teilnehmer zu beschränken, die das Ereignis nicht bereits vor einem zuvor festgelegten Zeitpunkt erlebt haben. Die Analyse dieser sogenannten rechts-zensierten beziehungsweise links-trunkierten Daten stellt im Besonderen dann eine Herausforderung dar, wenn Abhängigkeiten zwischen Überlebenszeiten in Clustern modelliert werden sollen. Vine-Copulas ermöglichen die flexible Modellierung hochdimensionaler Abhängigkeiten. Da Vine-Copula Theorie bisher nur für vollständige Daten erarbeitet ist, werden wir bekannte Konzepte erweitern, um parametrische Maximum Likelihood Inferenz für drei- und vierdimensionale rechts-zensierte und links-trunkierte Survival Daten zu ermöglichen. So können paarweise Abhängigkeiten in den betrachteten Clustern flexibel modelliert werden. Wir leiten die modifizierte Likelihood Funktion her und drücken diese ausschließlich mit Vine-Copula Komponenten aus. Der Schätzer wird anschließend im Rahmen einer umfangreichen Simulationsstudie auf seine Stabilität und Robustheit getestet. Des Weiteren stellen wir zwei Anwendungen im Bereich der Tumorforschung und der Veterinärmedizin vor.     «

In zahlreichen Anwendungsbereichen wie Medizin, Biologie oder den Aktuarswissenschaften besteht besonderes Interesse darin, Aussagen über die Dauer zu treffen, bis ein bestimmtes Ereignis eintritt. Charakteristisch für Survival Daten ist es, dass das Ereignis im Rahmen einer zeitlich begrenzten Studie nicht für alle Teilnehmer beobachtet wird, sodass unvollständige Daten vorliegen. Auch ist es gängig, sich auf Teilnehmer zu beschränken, die das Ereignis nicht bereits vor einem zuvor festgelegten...     »