Kim był Norman Breslow?
Norman Edward Breslow (1941–2015) był amerykańskim biostatystykiem, specjalistą od statystyki w badaniach nad rakiem (Dome i D’Angio, 2016; Mapes, 2015). W Reed College zaczynał od biologii, ale przeszedł na matematykę i ukończył studia z rocznikiem 1962 (Reed Magazine, 2016). Doktorat ze statystyki obronił w 1967 r. w Stanford; jego promotorem był Bradley Efron, a rozprawa dotyczyła procedur sekwencyjnych w badaniach medycznych (Mathematics Genealogy Project, b.d.).
Prawie całe życie zawodowe – około 50 lat – związał z University of Washington w Seattle, a przez prawie 40 lat pracował też w Fred Hutchinson Cancer Research Center (Mapes, 2015). W latach 1983–1993 kierował uczelnianym wydziałem biostatystyki i był członkiem Institute of Medicine (Reed Magazine, 2016). Współpracował z Międzynarodową Agencją Badań nad Rakiem (IARC) przy WHO, która przyznała mu Medal Honorowy; dostał też m.in. nagrody Snedecora i R. A. Fishera (Mapes, 2015). Zmarł 9 grudnia 2015 r. w Seattle w wieku 74 lat (Mapes, 2015; Reed Magazine, 2016).
Najważniejsze pomysły
- Estymator Breslowa. Model Coxa (od nazwiska Davida Coxa) podaje ilorazy hazardów, ale nie mówi, jak duże jest ryzyko w czasie. Estymator nazwany nazwiskiem Breslowa (Reed Magazine, 2016) uzupełnia tę lukę: w każdym momencie zdarzenia dzieli liczbę zdarzeń przez sumę ryzyk względnych osób, które jeszcze są w obserwacji, i sumuje te ilorazy. Wynik to skumulowany hazard bazowy H0(t), z którego dostaje się krzywe przeżycia. Bez zmiennych objaśniających to estymator Nelsona–Aalena.
- Poprawka Breslowa na remisy. Gdy kilka zdarzeń ma ten sam czas, wiarygodność cząstkową Coxa trzeba przybliżyć. Wersja Breslowa jest najprostsza; według dokumentacji pakietu survival dlatego trafiła do programów jako pierwsza i często jest domyślna, choć R stosuje dokładniejszą poprawkę Efrona.
- Badania kliniczno-kontrolne. Z Nicholasem E. Dayem napisał wydany przez IARC podręcznik Statistical Methods in Cancer Research. Tom I (Breslow i Day, 1980) wykłada metody badań kliniczno-kontrolnych: miary związku, analizę danych pogrupowanych i niepogrupowanych, nieuwarunkowaną i warunkową regresję logistyczną.
- Plany dwufazowe. Breslow i Chatterjee (1999) pokazali na danych National Wilms Tumor Study, jak dobierać do drugiej fazy badania osoby, u których zbiera się droższe dane, i jak je analizować. Pokrewne plany, w których dodatkowe pomiary wykonuje się tylko u części kohorty, opisuje hasło badanie zagnieżdżone i case-cohort.
Przez około 40 lat był współzałożycielem i szefem centrum danych National Wilms Tumor Study; według Mapes (2015) planowanie tych badań pomogło wydłużyć życie dzieci z guzem Wilmsa (nowotworem nerki) i złagodzić ich leczenie.
Ciekawostka
Breslow był zapalonym taternikiem. Na Matterhorn wszedł w wieku 16 lat, należał do klubu Mountaineers w Seattle, Sierra Club i francuskiego Club Alpin Français, wędrował po Tybecie, Nepalu i Patagonii, biwakował zimą w Kanadzie i zjechał na nartach z Mont Blanc (Mapes, 2015; Reed Magazine, 2016).
Ten sam styl widać w statystyce. Wspomnienie w piśmie Reed College przytacza zdanie, od którego według Breslowa zaczynała się jego praca badawcza: „There must be a simpler way to do it” – musi istnieć prostszy sposób (Reed Magazine, 2016). Estymator jego imienia to rzeczywiście jedna suma ilorazów.
Przykład na danych z pakietu R
Zbiór nwtco z pakietu survival to według pliku pomocy dane z National Wilms Tumor Study (Breslow i Chatterjee, 1999). Obejmuje 4028 dzieci, u 571 doszło do nawrotu. Plik pomocy nie podaje jednostki czasu ani znaczenia kodów histologii; wartości od 4 do 6209 traktujemy jako dni, a kod 2 jako histologię niekorzystną (wiąże się z nim wyższe ryzyko) – to nasze założenia.
571 nawrotów przypada na 392 różne momenty, a w 129 z nich jest remis. Model Coxa z poprawką Breslowa daje dla histologii niekorzystnej HR = 4.86, 95% CI [4.09, 5.79], a dla stadium IV wobec I – HR = 3.58 [2.77, 4.64]. Poprawka Efrona zmienia wynik dopiero na trzecim miejscu po przecinku (4.865).
Estymator Breslowa policzony ręcznie ma 392 skoki i zgadza się z funkcją basehaz() co do błędu zaokrąglenia (3.5 · 10⁻¹⁶). Skumulowany hazard bazowy (histologia korzystna, stadium I) wynosi 0.036 po roku, 0.062 po pięciu latach i potem prawie nie rośnie. Stąd przeżycie bez nawrotu po 5 latach exp(−0.062) = .94; dla histologii niekorzystnej w stadium IV (HR = 17.43) – tylko .34. To samo zwraca survfit().
Model zakłada jednak ten sam HR histologii w każdym stadium. Sprawdzenie na samym stadium I pokazuje kłopot: dla histologii niekorzystnej model przewiduje H(5) = 0.30, a nieparametryczny Nelson–Aalen – 0.23. Osobne modele dają HR histologii od 3.31 w stadium I do 7.49 w stadium IV, a test interakcji χ²(3) = 15.21, p = .002. Histologia ze szpitala (zgodna z centralną w 94.9%) daje słabszy HR = 3.68 – to skutek błędu klasyfikacji.
Na rysunku
Co widać. Po doktoracie Breslow związał się na stałe z Seattle; tam powstały jego najważniejsze prace.
Na co uważać. Brak roku początku pracy przy National Wilms Tumor Study i roku drugiego tomu z Dayem – cytowane źródła ich nie podają. Rok 1962 to rocznik absolwentów.
Podpis do pracy:
survival::nwtco, 4028 dzieci, 571 nawrotów. Obliczenia i rysunek: R, pakiety survival, ggplot2 i patchwork (dane rzeczywiste, bez losowania).Co widać. W panelu A wszystkie krzywe mają ten sam kształt – to jeden hazard bazowy H0(t) przemnożony przez cztery różne HR. Prawie całe ryzyko nawrotu kumuluje się w pierwszych latach po rozpoznaniu. Panel B to test modelu: dla histologii niekorzystnej w stadium I model zawyża ryzyko, bo przenosi na to stadium średni HR ze wszystkich stadiów.
Na co uważać. Krzywa z modelu jest tak dobra jak jego założenia: proporcjonalność hazardów i brak interakcji.
Podpis do pracy:
Gdzie spotkasz Breslowa w swojej pracy
Gdy z modelu Coxa rysujesz krzywe przeżycia albo podajesz ryzyko „po 5 latach” – survfit() w R robi to estymatorem Breslowa. Na co zwracać uwagę:
- w metodach podaj, jak potraktowano remisy (Breslow, Efron, metoda dokładna); przy niewielu remisach różnice są pomijalne, jak w przykładzie, ale inny program może dać nieco inne ilorazy hazardów;
- krzywe z modelu porównuj z nieparametrycznymi (Kaplan–Meier, Nelson–Aalen) w podgrupach; proporcjonalność sprawdzaj resztami Schoenfelda, a podejrzaną zależność efektu od innej zmiennej – interakcją;
- w badaniach kliniczno-kontrolnych z dopasowaniem sięgnij po warunkową regresję logistyczną (wyłożoną w tomie I Breslowa i Daya), a przy tablicach warstwowych – po metodę Mantela–Haenszela.
Spory, mity i trudne strony
- Breslow czy Efron? Przy wielu remisach poprawka Breslowa jest mniej dokładna. Jeśli wyniki z R i innego programu się różnią, najpierw sprawdź tę opcję.
- Ten sam estymator, różne nazwy. Skumulowany hazard z modelu Coxa bywa nazywany estymatorem Breslowa, a przy braku zmiennych objaśniających jest po prostu estymatorem Nelsona–Aalena.
Estymator Breslowa w R
Kod wczytuje dane nwtco, dopasowuje model Coxa z poprawkami Breslowa i Efrona, liczy estymator Breslowa ręcznie i porównuje go z basehaz(), przelicza go na przeżycie bez nawrotu, porównuje z estymatorem Nelsona–Aalena i rysuje rysunek 2. Drugi przepis rysuje oś czasu (rysunek 1). Rysunki na stronie powstały z tych samych obiektów p1 i p2, którym podmieniono tylko motyw na motyw serwisu; dane, geometrie i skale są identyczne. Kod nie losuje.
1. Estymator Breslowa i krzywe z modelu Coxa: rysunek 2
Kod R rysunku 2
# Norman Breslow: estymator skumulowanego hazardu po modelu Coxa liczony ręcznie vs basehaz() (survival::nwtco)
suppressPackageStartupMessages({library(survival); library(ggplot2); library(patchwork)})
kol <- c(korzystna = "#0072B2", niekorzystna = "#D55E00") # Okabe–Ito
motyw <- theme_minimal(base_size = 13) +
theme(panel.grid.minor = element_blank(), plot.title = element_text(face = "bold"), legend.position = "bottom")
data(nwtco, package = "survival")
# National Wilms Tumor Study: rel – nawrót (1 = tak), edrel – czas do nawrotu (plik pomocy nie podaje
# jednostki; wartości 4–6209 traktujemy jako dni),
# histol – histologia według laboratorium centralnego, instit – według szpitala; plik pomocy nie objaśnia
# kodów, przyjmujemy 1 = korzystna, 2 = niekorzystna (z kodem 2 wiąże się wyższe ryzyko nawrotu)
d <- nwtco
d$histologia <- factor(d$histol, 1:2, c("korzystna", "niekorzystna"))
d$stadium <- factor(d$stage, 1:4, c("I", "II", "III", "IV"))
d$lata <- d$edrel / 365.25
c(dzieci = nrow(d), nawroty = sum(d$rel))
table(d$histologia, d$stadium)
# 1. Remisy: ile momentów nawrotu dzieli więcej niż jedno dziecko
t_nawrotu <- d$edrel[d$rel == 1]
c(nawroty = length(t_nawrotu), rozne_czasy = length(unique(t_nawrotu)), czasy_z_remisem = sum(table(t_nawrotu) > 1))
# 2. Model Coxa z poprawką Breslowa na remisy (domyślna w R jest poprawka Efrona)
m_b <- coxph(Surv(lata, rel) ~ histologia + stadium, data = d, ties = "breslow")
m_e <- coxph(Surv(lata, rel) ~ histologia + stadium, data = d, ties = "efron")
round(cbind(HR_breslow = exp(coef(m_b)), HR_efron = exp(coef(m_e))), 3)
round(exp(confint(m_b)), 2)
# 3. Estymator Breslowa ręcznie: H0(t) = suma po czasach nawrotu t_j <= t z d_j / suma_{i w ryzyku} exp(x_i'b)
X <- model.matrix(~ histologia + stadium, d)[, -1]
w <- exp(drop(X %*% coef(m_b))) # ryzyko względne dziecka wobec profilu bazowego (korzystna, I)
tj <- sort(unique(d$lata[d$rel == 1]))
dj <- sapply(tj, function(t) sum(d$lata == t & d$rel == 1))
mianownik <- sapply(tj, function(t) sum(w[d$lata >= t]))
H0_reczny <- cumsum(dj / mianownik)
bh <- basehaz(m_b, centered = FALSE) # to samo z pakietu survival (profil bazowy, nie średni)
bh <- bh[match(tj, bh$time), ]
c(liczba_skokow = length(tj))
c(max_roznica_z_basehaz = signif(max(abs(H0_reczny - bh$hazard)), 2))
round(data.frame(lata = c(1, 2, 3, 5, 10),
H0 = sapply(c(1, 2, 3, 5, 10), function(t) max(c(0, H0_reczny[tj <= t])))), 4)
# 4. Od skumulowanego hazardu do przeżycia bez nawrotu: S(t | x) = exp(-H0(t) * exp(x'b))
profile <- expand.grid(histologia = c("korzystna", "niekorzystna"), stadium = c("I", "IV"))
H0_5 <- max(H0_reczny[tj <= 5])
profile$HR <- exp(drop(model.matrix(~ histologia + stadium, transform(profile,
histologia = factor(histologia, levels(d$histologia)), stadium = factor(stadium, levels(d$stadium))))[, -1] %*% coef(m_b)))
profile$S_5_lat <- exp(-H0_5 * profile$HR)
profile$S_5_survfit <- sapply(seq_len(nrow(profile)), function(i)
summary(survfit(m_b, newdata = profile[i, c("histologia", "stadium")]), times = 5)$surv)
transform(profile, HR = round(HR, 3), S_5_lat = round(S_5_lat, 4), S_5_survfit = round(S_5_survfit, 4))
# 5. Sprawdzenie modelu: H(t) z modelu vs nieparametryczny Nelson–Aalen w podgrupach stadium I
st1 <- subset(d, stadium == "I")
na <- survfit(Surv(lata, rel) ~ histologia, data = st1, ctype = 1)
na_df <- data.frame(lata = na$time, H = na$cumhaz,
histologia = rep(sub("histologia=", "", names(na$strata)), na$strata))
na_df <- na_df[na_df$lata <= 12, ]
rbind(Nelson_Aalen = sapply(split(na_df, na_df$histologia), function(x) max(x$H[x$lata <= 5])),
model_Coxa = H0_5 * profile$HR[profile$stadium == "I"]) |> round(4)
# efekt histologii zależy od stadium: HR w każdym stadium osobno i test interakcji
round(sapply(c(HR_stadium_I = "I", HR_stadium_II = "II", HR_stadium_III = "III", HR_stadium_IV = "IV"), function(s) exp(coef(coxph(Surv(lata, rel) ~ histologia,
data = subset(d, stadium == s), ties = "breslow")))[[1]]), 2)
m_int <- coxph(Surv(lata, rel) ~ histologia * stadium, data = d, ties = "breslow")
lr <- anova(m_b, m_int)
round(c(chi2 = lr$Chisq[2], df = lr$Df[2], p = lr$`Pr(>|Chi|)`[2]), 4)
# 6. Histologia ze szpitala zamiast z laboratorium centralnego (błąd klasyfikacji)
m_szpital <- coxph(Surv(lata, rel) ~ factor(instit) + stadium, data = d, ties = "breslow")
round(c(HR_histologia_centralna = exp(coef(m_b))[[1]], HR_histologia_szpitalna = exp(coef(m_szpital))[[1]],
zgodnosc_klasyfikacji = mean(d$instit == d$histol)), 3)
# Rysunek: A – skumulowany hazard Breslowa dla czterech profili; B – model vs Nelson–Aalen (stadium I)
siatka <- c(0, tj)
H_pr <- do.call(rbind, lapply(seq_len(nrow(profile)), function(i)
data.frame(lata = siatka, H = c(0, H0_reczny) * profile$HR[i],
histologia = profile$histologia[i], stadium = paste("stadium", profile$stadium[i]))))
H_pr <- H_pr[H_pr$lata <= 12, ]
pA <- ggplot(H_pr, aes(lata, H, colour = histologia, linetype = stadium)) +
geom_step(linewidth = 0.8) +
scale_colour_manual(values = kol, name = "histologia") +
scale_linetype_manual(values = c("stadium I" = "solid", "stadium IV" = "22"), name = NULL) +
scale_x_continuous(breaks = seq(0, 12, 2)) +
labs(title = "A. Model Coxa: H(t) = H0(t) · HR", x = "Lata od rozpoznania", y = "Skumulowany hazard nawrotu") +
motyw
model_st1 <- H_pr[H_pr$stadium == "stadium I", ]
# punkty Nelsona–Aalena co pół roku (krzywa schodkowa odczytana w tych momentach)
na_pkt <- do.call(rbind, lapply(split(na_df, na_df$histologia), function(x)
data.frame(lata = seq(0.5, 12, 0.5), histologia = x$histologia[1],
H = sapply(seq(0.5, 12, 0.5), function(t) max(c(0, x$H[x$lata <= t]))))))
pB <- ggplot() +
geom_step(data = model_st1, aes(lata, H, colour = histologia), linewidth = 0.8) +
geom_point(data = na_pkt, aes(lata, H, colour = histologia, shape = histologia), size = 1.8) +
scale_colour_manual(values = kol, name = "histologia") +
scale_shape_manual(values = c(korzystna = 16, niekorzystna = 2), name = "histologia") +
scale_x_continuous(breaks = seq(0, 12, 2)) +
labs(title = "B. Stadium I: model (linie) vs Nelson–Aalen (punkty)", x = "Lata od rozpoznania", y = NULL) +
motyw
p2 <- pA + pB + plot_layout(widths = c(1, 1))
p2Wynik w R
dzieci nawroty
4028 571
I II III IV
korzystna 1446 931 802 390
niekorzystna 126 121 142 70
nawroty rozne_czasy czasy_z_remisem
571 392 129
HR_breslow HR_efron
histologianiekorzystna 4.863 4.865
stadiumII 2.071 2.071
stadiumIII 2.443 2.443
stadiumIV 3.584 3.585
2.5 % 97.5 %
histologianiekorzystna 4.09 5.79
stadiumII 1.63 2.62
stadiumIII 1.93 3.09
stadiumIV 2.77 4.64
liczba_skokow
392
max_roznica_z_basehaz
3.5e-16
lata H0
1 1 0.0355
2 2 0.0525
3 3 0.0593
4 5 0.0620
5 10 0.0631
histologia stadium HR S_5_lat S_5_survfit
1 korzystna I 1.000 0.9399 0.9399
2 niekorzystna I 4.863 0.7397 0.7397
3 korzystna IV 3.584 0.8008 0.8008
4 niekorzystna IV 17.428 0.3394 0.3394
korzystna niekorzystna
Nelson_Aalen 0.0669 0.2250
model_Coxa 0.0620 0.3015
HR_stadium_I HR_stadium_II HR_stadium_III HR_stadium_IV
3.31 3.51 5.72 7.49
chi2 df p
15.2092 3.0000 0.0016
HR_histologia_centralna HR_histologia_szpitalna zgodnosc_klasyfikacji
4.863 3.678 0.949 2. Oś czasu: rysunek 1
Kod R rysunku 1
# Oś czasu: Norman E. Breslow (1941–2015) – lata według cytowanych źródeł
library(ggplot2)
zdarzenia <- data.frame(
rok = c(1941, 1962, 1967, 1980, 1983, 1999, 2015),
opis = c("urodził się", "absolwent matematyki\nw Reed College", "doktorat ze statystyki,\nStanford (promotor: B. Efron)",
"Breslow i Day: tom I\n(badania kliniczno-kontrolne)",
"1983–1993: kierownik\nbiostatystyki, Univ. of Washington",
"Breslow i Chatterjee:\nbadania dwufazowe (guz Wilmsa)", "zmarł\nw Seattle"),
rodzaj = c("życie", "praca", "praca", "publikacja", "praca", "publikacja", "życie"),
poziom = c(0.5, -0.5, 1.1, 0.5, -0.5, 0.5, -0.5), # wysokość etykiety (+ nad osią, − pod)
wyrownanie = c(0.5, 0.5, 0.5, 0.5, 0, 0.5, 0.5)) # rozsunięcie bliskich etykiet
zdarzenia$etykieta <- ifelse(zdarzenia$rok == 1983, zdarzenia$opis, paste0(zdarzenia$rok, "\n", zdarzenia$opis))
ksztalty <- c("życie" = 21, "praca" = 22, "publikacja" = 23)
kolory <- c("życie" = "grey40", "praca" = "#0072B2", "publikacja" = "#D55E00") # Okabe–Ito
p1 <- ggplot(zdarzenia, aes(rok, 0)) +
geom_hline(yintercept = 0, colour = "grey60", linewidth = 0.8) +
annotate("rect", xmin = 1983, xmax = 1993, ymin = -0.12, ymax = 0.12, fill = "#56B4E9", alpha = 0.6) +
geom_segment(aes(xend = rok, y = 0, yend = poziom), colour = "grey70") +
geom_point(aes(shape = rodzaj, fill = rodzaj), size = 4, colour = "black") +
geom_text(aes(y = poziom + 0.07 * sign(poziom), label = etykieta, vjust = ifelse(poziom > 0, 0, 1), hjust = wyrownanie),
size = 3.3, lineheight = 0.9) +
scale_shape_manual(values = ksztalty, name = NULL) +
scale_fill_manual(values = kolory, name = NULL) +
scale_x_continuous(limits = c(1935, 2021), breaks = seq(1940, 2020, by = 10)) +
scale_y_continuous(limits = c(-1.3, 1.7)) +
labs(x = NULL, y = NULL) +
theme_minimal(base_size = 13) +
theme(axis.text.y = element_blank(), panel.grid = element_blank(), axis.text.x = element_text(colour = "grey30"),
legend.position = "bottom")
p1Bibliografia oprogramowania
Wyniki pochodzą z uruchomienia pokazanego kodu w R 4.5.3 (model Coxa, estymator skumulowanego hazardu i dane – pakiet survival: coxph(), basehaz(), survfit(); rysunki – pakiety ggplot2 i patchwork). W pracy podaj wersje faktycznie użytych pakietów (sessionInfo()).
- R: R Core Team. (2026). R: A language and environment for statistical computing (Version 4.5.3) [Computer software]. R Foundation for Statistical Computing. https://www.R-project.org/
- survival (wersja 3.8.6): Therneau, T. M. (2026). A package for survival analysis in R [R package]. https://CRAN.R-project.org/package=survival
- ggplot2 (wersja 4.0.2): Wickham, H. (2016). ggplot2: Elegant graphics for data analysis. Springer. https://ggplot2.tidyverse.org
- patchwork (wersja 1.3.2): Pedersen, T. L. (2025). patchwork: The composer of plots [R package]. https://doi.org/10.32614/CRAN.package.patchwork
Najczęstsze pytania
Kim był Norman Breslow?
Amerykańskim biostatystykiem (1941–2015). Ukończył matematykę w Reed College, doktorat ze statystyki obronił w 1967 r. w Stanford u Bradleya Efrona, a potem przez około 50 lat pracował na University of Washington w Seattle i w Fred Hutchinson Cancer Research Center. W latach 1983–1993 kierował wydziałem biostatystyki UW.
Co to jest estymator Breslowa?
To oszacowanie skumulowanego hazardu bazowego H0(t) po dopasowaniu modelu Coxa: w każdym momencie zdarzenia liczbę zdarzeń dzieli się przez sumę exp(x'b) osób w grupie ryzyka i sumuje te ilorazy. Pomnożony przez HR danego profilu i wstawiony do exp(−H) daje krzywą przeżycia z modelu. Bez zmiennych objaśniających jest równy estymatorowi Nelsona–Aalena.
Czym różni się poprawka Breslowa od poprawki Efrona na remisy w modelu Coxa?
Obie przybliżają wiarygodność cząstkową, gdy kilka zdarzeń ma ten sam czas. Poprawka Breslowa jest najprostsza i w wielu programach domyślna; poprawka Efrona jest dokładniejsza przy dużej liczbie remisów i domyślna w R. W przykładzie z 129 czasami z remisem HR histologii wyniósł 4.863 według Breslowa i 4.865 według Efrona.
Co to za zbiór nwtco w pakiecie survival?
Dane 4028 dzieci z National Wilms Tumor Study – badań guza Wilmsa (nowotworu nerki u dzieci), którymi Breslow zajmował się przez około 40 lat. Plik pomocy podaje jako źródło pracę Breslowa i Chatterjee z 1999 r. o planach dwufazowych; zbiór zawiera histologię ocenioną w szpitalu i w laboratorium centralnym, dlatego służy też do ilustrowania błędu klasyfikacji.
Powiązane hasła
Poradniki, w których użyjesz tego pojęcia
Potrzebujesz wsparcia w analizie danych?
Wybierz ofertę dopasowaną do pracy dyplomowej albo profesjonalnego projektu naukowego.
Wyceń analizęOferta dla studentówBibliografia i dalsza literatura naukowa (APA 7)
- Breslow, N. E., & Chatterjee, N. (1999). Design and analysis of two-phase studies with binary outcome applied to Wilms tumour prognosis. Journal of the Royal Statistical Society: Series C (Applied Statistics), 48(4), 457–468. https://doi.org/10.1111/1467-9876.00165
- Breslow, N. E., & Day, N. E. (1980). Statistical methods in cancer research: Vol. 1. The analysis of case-control studies. International Agency for Research on Cancer. https://publications.iarc.who.int/Book-And-Report-Series/Iarc-Scientific-Publications/Statistical-Methods-In-Cancer-Research-Volume-I-The-Analysis-Of-Case-Control-Studies-1980 ● Otwarty dostęp
- Dome, J. S., & D’Angio, G. J. (2016). In memorium: Norman E. Breslow, PhD (1941–2015). Pediatric Blood & Cancer, 63(8), 1491. https://doi.org/10.1002/pbc.26008
- Mapes, D. (2015). Fred Hutch, UW biostatistics ‘giant’ Norman Breslow dies. Fred Hutch News Service. https://www.fredhutch.org/en/news/center-news/2015/12/biostatistics-giant-norm-breslow-dies.html ● Otwarty dostęp
- Mathematics Genealogy Project. (b.d.). Norman Edward Breslow. North Dakota State University. Pobrano 20 listopada 2026 z https://mathgenealogy.org/id.php?id=47763 ● Otwarty dostęp
- Reed Magazine. (2016). Norman Breslow ’62: Laid the foundation for the field of biostatistics. Reed Magazine (In Memoriam). https://www.reed.edu/reed-magazine/in-memoriam/obituaries/june2016/norman-breslow-1962.html ● Otwarty dostęp
Cytowania BibTeX
@article{breslow1999design, author={Breslow, Norman E. and Chatterjee, Nilanjan}, title={{Design and analysis of two-phase studies with binary outcome applied to Wilms tumour prognosis}}, journal={Journal of the Royal Statistical Society: Series C (Applied Statistics)}, year={1999}, volume={48}, number={4}, pages={457--468}, doi={10.1111/1467-9876.00165}}@book{breslow1980statistical, author={Breslow, Norman E. and Day, Nicholas E.}, title={{Statistical methods in cancer research: Vol. 1. The analysis of case-control studies}}, year={1980}, publisher={International Agency for Research on Cancer}, url={https://publications.iarc.who.int/Book-And-Report-Series/Iarc-Scientific-Publications/Statistical-Methods-In-Cancer-Research-Volume-I-The-Analysis-Of-Case-Control-Studies-1980}}@article{dome2016memoriam, author={Dome, Jeffrey S. and D'Angio, Giulio J.}, title={{In memorium: Norman E. Breslow, PhD (1941–2015)}}, journal={Pediatric Blood \& Cancer}, year={2016}, volume={63}, number={8}, pages={1491}, doi={10.1002/pbc.26008}}@misc{mapes2015breslow, author={Mapes, Diane}, title={{Fred Hutch, UW biostatistics ‘giant’ Norman Breslow dies}}, howpublished={Fred Hutch News Service}, year={2015}, publisher={Fred Hutchinson Cancer Research Center}, url={https://www.fredhutch.org/en/news/center-news/2015/12/biostatistics-giant-norm-breslow-dies.html}}@misc{mgpbreslow, author={{Mathematics Genealogy Project}}, title={{Norman Edward Breslow}}, publisher={North Dakota State University}, url={https://mathgenealogy.org/id.php?id=47763}}@misc{reed2016breslow, author={{Reed Magazine}}, title={{Norman Breslow ’62: Laid the foundation for the field of biostatistics}}, howpublished={Reed Magazine (In Memoriam)}, year={2016}, publisher={Reed College}, url={https://www.reed.edu/reed-magazine/in-memoriam/obituaries/june2016/norman-breslow-1962.html}}