Kim są Ross L. Prentice i John D. Kalbfleisch?
John D. Kalbfleisch (nazywany Jackiem) urodził się 16 lipca 1943 r. w Grand Valley w Ontario. Na University of Waterloo zdobył kolejno licencjat (1966), magisterium z matematyki (1967) i doktorat (1969). Po latach w Londynie i Buffalo wrócił w 1973 r. do Waterloo. Kierował tam wydziałową katedrą statystyki (1984–1990), a następnie był dziekanem Wydziału Matematyki (1990–1998). W 2002 r. objął Katedrę Biostatystyki University of Michigan, później kierował ośrodkiem Kidney Epidemiology and Cost Center, aż do emerytury w 2012 r. Ostatnio badał schyłkową niewydolność nerek i przeszczepy narządów (Statistical Society of Canada, 2015).
Ross L. Prentice urodził się i kształcił w Kanadzie (Mapes, 2023). Licencjat z matematyki zrobił w Waterloo (1967), magisterium (1968) i doktorat ze statystyki (1970) – na University of Toronto (Fred Hutchinson Cancer Center, b.d.). W 1974 r. przeniósł się do Seattle, do powstającego wtedy Fred Hutchinson Cancer Research Center i na University of Washington. Ponad 25 lat kierował tam Wydziałem Nauk o Zdrowiu Publicznym. Na emeryturę przeszedł z końcem 2022 r. (Mapes, 2023). O obu piszemy tylko w zakresie pracy zawodowej.
Najważniejsze pomysły
- Książka o danych czasu do zdarzenia (1980). The Statistical Analysis of Failure Time Data (1980, wyd. 2 – 2002) to klasyczny podręcznik analizy przeżycia (Statistical Society of Canada, 2015). Drugie wydanie ma m.in. rozdziały o modelach parametrycznych, modelu Coxa, procesach liczących, ryzykach konkurujących i modelach wielostanowych oraz o zdarzeniach nawracających (Kalbfleisch i Prentice, 2002).
- Ryzyka konkurujące (1978). W „Biometrics” Prentice, Kalbfleisch i współautorzy – wśród nich Norman Breslow – skrytykowali opis ryzyk konkurujących przez ukryte, niezaobserwowane czasy do każdego rodzaju zdarzenia. Takie podejście wymaga nieuzasadnionych założeń, a jego parametrów nie da się zidentyfikować. Zaproponowali w zamian hazardy przyczynowo-specyficzne – według autorów to podstawowe wielkości, które da się oszacować z danych (Prentice i in., 1978). Z nich liczy się skumulowaną częstość (CIF) pokazaną w przykładzie.
- Plan case-cohort (1986). Prentice zaproponował, by w dużej kohorcie zbierać kosztowne dane (np. z analiz krwi) tylko od osób, u których wystąpiło zdarzenie, i od losowej podkohorty (Prentice, 1986). Opisujemy go w haśle zagnieżdżone badanie kliniczno-kontrolne i case-cohort.
- Zastępcze punkty końcowe i Women’s Health Initiative. Prentice jako pierwszy sformułował operacyjne kryteria zastępczego punktu końcowego w badaniach klinicznych (Mapes, 2023). W 1992 r. złożył wniosek o ośrodek koordynujący Women’s Health Initiative (WHI) – programu badań profilaktyki u kobiet po menopauzie. Ruszył on w 1993 r. i objął ponad 161 tys. kobiet (Fred Hutchinson Cancer Center, b.d.).
- Wyróżnienia. Kalbfleisch: Złoty Medal SSC (1994), Nagroda im. Snedecora (2013). Prentice: członek Institute of Medicine (1990), Nagroda im. Mantela ASA (Statistical Society of Canada, 2015; Mapes, 2023).
Ciekawostka
Teoria ryzyk konkurujących wyrosła z oddziału przeszczepów szpiku. Prentice wspominał, że gdy przyjechał do Seattle w 1974 r., ośrodek Fred Hutch dopiero powstawał i nie miał prawie żadnej infrastruktury. Zaczął pracę z lekarzami-badaczami, m.in. Donem Thomasem i Rainerem Storbem, i uczył się od nich nowatorskiej wtedy procedury – przeszczepiania szpiku kostnego – oraz jej powikłań, takich jak choroba przeszczep przeciw gospodarzowi (Mapes, 2023).
Ślad tych lat widać w pracy z 1978 r.: wszystkie pomysły dotyczące ryzyk konkurujących autorzy omawiają na przykładzie programu przeszczepiania szpiku u chorych na białaczkę (Prentice i in., 1978). Chory po przeszczepie może mieć nawrót albo wcześniej umrzeć z innej przyczyny.
Przykład na prawdziwych danych
Zbiór mgus2 z pakietu survival to – według pliku pomocy – dane z Mayo Clinic o 1384 osobach z gammapatią monoklonalną o nieokreślonym znaczeniu (MGUS), opisane przez R. Kyle’a i współpracowników (2002). U części osób MGUS przechodzi w nowotwór z komórek plazmatycznych (PCM). Zdarzeniem konkurującym jest zgon bez PCM. W danych jest 115 progresji, 860 zgonów bez PCM i 409 obserwacji cenzurowanych.
Cała kohorta. Gdy zgony potraktujemy jak cenzurowanie, 1 − Kaplan–Meier daje 21.0% PCM po 20 latach. CIF policzona ręcznie daje 10.0%. Wynik jest identyczny z estymatorem Aalena–Johansena z pakietu survival. 1 − KM opisuje świat bez zgonów, a po 20 latach 72.4% osób zmarło przed progresją.
Dwie grupy wieku. Osoby w wieku 70 lat i więcej mają podobny hazard progresji jak młodsze (HR = 1.18, 95% CI [0.80; 1.73], p = .412), ale ponad trzykrotnie wyższy hazard zgonu (HR = 3.28). Dlatego ich CIF po 20 latach wynosi 7.8%, a u młodszych 13.4%. Hazard i CIF odpowiadają więc na różne pytania – tak jak rozróżniali Prentice i współautorzy (1978).
Na rysunku
Co widać. Najważniejsze prace o czasie do zdarzenia powstały w latach 1978–1986.
Na co uważać. Cytowane źródła nie podają roku urodzenia Prentice’a.
Podpis do pracy:
survival::mgus2, N = 1384): 1 − Kaplan–Meier a skumulowana częstość (A) oraz CIF w dwóch grupach wieku (B). Obliczenia i rysunek: R, pakiety survival, ggplot2 i patchwork.Co widać. W panelu A czarna krzywa odrywa się od pomarańczowej tym bardziej, im więcej osób umiera. W panelu B krzywe biegną razem przez pierwsze 10 lat, potem krzywa starszych się spłaszcza – starsi umierają, zanim zdąży dojść do progresji.
Na co uważać. Niższa CIF u starszych nie znaczy, że wiek chroni przed PCM. Iloraz hazardów progresji jest bliski 1. Po 20 latach w zbiorze zostaje niewiele osób, więc końcówki krzywych są niepewne.
Podpis do pracy:
Gdzie spotkasz Prentice’a i Kalbfleischa w swojej pracy
- Gdy analizujesz czas do zdarzenia, a osoby mogą „wypaść” z innego powodu niż badany, raportuj CIF zamiast 1 − Kaplan–Meier (krok po kroku: ryzyka konkurencyjne: Fine–Gray i CIF).
- Najpierw rozstrzygnij, o co pytasz. Pytanie o etiologię prowadzi do hazardu przyczynowo-specyficznego, a pytanie o to, ilu osobom się to przydarzy – do CIF. Szerszy schemat stanów daje model wielostanowy.
- Gdy planujesz kohortę z drogimi pomiarami, rozważ plan case-cohort; wnioski o hazardach dalej opierasz na modelu Coxa (por. Kaplan–Meier i model Coxa krok po kroku).
Spory, mity i trudne strony
- Mit: „zgon to tylko cenzurowanie”. Cenzurowanie zakłada, że zdarzenie nadal może nastąpić, tylko go nie widzimy. Po zgonie progresja jest niemożliwa.
- Ukryte czasy czy hazardy? Prentice i współautorzy (1978) argumentowali, że pytanie, jak często występowałoby zdarzenie po „usunięciu” innej przyczyny, nie jest dobrze postawione, dopóki nie określi się mechanizmu tego usunięcia.
- Przyjęcie wyników WHI. W 2002 r. komitet monitorujący przerwał przed czasem część próby WHI dotyczącą złożonej terapii hormonalnej, bo uznał, że ryzyko przewyższa korzyści. Według artykułu Fred Hutch reakcje były w dużej części krytyczne: kwestionowali je m.in. kardiolodzy, którzy uważali tę terapię za korzystną, oraz producenci leków. Agencje regulacyjne wprowadziły jednak ostrzeżenia, a większość stosujących ją Amerykanek odstawiła leki (Mapes, 2023).
Ryzyka konkurujące i CIF w R
Kod wczytuje dane mgus2, liczy ręcznie skumulowaną częstość (estymator Aalena–Johansena) i 1 − Kaplan–Meier, sprawdza wynik funkcją survfit(), porównuje hazardy przyczynowo-specyficzne i CIF w dwóch grupach wieku, a potem 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 niczego.
1. CIF ręcznie, 1 − Kaplan–Meier i hazardy: rysunek 2
Kod R rysunku 2
# Kalbfleisch i Prentice: skumulowana częstość (CIF) przy ryzykach konkurujących vs 1 − Kaplan–Meier (survival::mgus2)
suppressPackageStartupMessages({library(survival); library(ggplot2); library(patchwork)})
kol <- c(km = "#000000", pcm = "#D55E00", zgon = "#0072B2", mlodsi = "#009E73", starsi = "#000000") # Okabe–Ito
motyw <- theme_minimal(base_size = 13) +
theme(panel.grid.minor = element_blank(), plot.title = element_text(face = "bold"), legend.position = "bottom")
data(cancer, package = "survival")
# mgus2: 1384 osoby z gammapatią monoklonalną o nieokreślonym znaczeniu (MGUS), Mayo Clinic.
# Zdarzenie badane: progresja do nowotworu z komórek plazmatycznych (PCM); zdarzenie konkurujące: zgon bez PCM.
d <- mgus2
d$lata <- ifelse(d$pstat == 1, d$ptime, d$futime) / 12 # czas do pierwszego zdarzenia, w latach
d$zdarzenie <- ifelse(d$pstat == 1, 1, 2 * d$death) # 0 = cenzurowanie, 1 = PCM, 2 = zgon bez PCM
d$wiek <- factor(ifelse(d$age >= 70, "70 lat i więcej", "poniżej 70 lat"), levels = c("poniżej 70 lat", "70 lat i więcej"))
c(N = nrow(d), table(factor(d$zdarzenie, 0:2, c("cenzurowanie", "PCM", "zgon_bez_PCM"))))
# 1. CIF ręcznie (estymator Aalena–Johansena): przyrost CIF w chwili t = S(t−) · d_PCM(t) / n(t),
# gdzie S(t−) to prawdopodobieństwo uniknięcia OBU zdarzeń tuż przed t (Kaplan–Meier dla "dowolnego zdarzenia")
cif_recznie <- function(czas, zd) {
t <- sort(unique(czas[zd > 0]))
n <- sapply(t, function(u) sum(czas >= u))
d1 <- sapply(t, function(u) sum(czas == u & zd == 1))
d2 <- sapply(t, function(u) sum(czas == u & zd == 2))
S <- cumprod(1 - (d1 + d2) / n) # bez żadnego zdarzenia po chwili t
S_przed <- c(1, head(S, -1))
data.frame(lata = t, cif_pcm = cumsum(S_przed * d1 / n), cif_zgon = cumsum(S_przed * d2 / n),
km_pcm = 1 - cumprod(1 - d1 / n)) # 1 − KM: zgon traktowany jak cenzurowanie
}
r <- cif_recznie(d$lata, d$zdarzenie)
w_chwili <- function(tab, kolumna, t) tab[[kolumna]][max(which(tab$lata <= t))]
tab <- sapply(c(10, 20, 25), function(t) c(lata = t, km_1_minus = w_chwili(r, "km_pcm", t),
cif_pcm = w_chwili(r, "cif_pcm", t), cif_zgon = w_chwili(r, "cif_zgon", t)))
round(t(tab), 3)
# 2. To samo w pakiecie survival (Aalen–Johansen dla modelu wielostanowego) – kontrola obliczeń ręcznych
aj <- survfit(Surv(lata, factor(zdarzenie, 0:2, c("brak", "PCM", "zgon"))) ~ 1, data = d)
round(summary(aj, times = c(10, 20, 25))$pstate[, 2:3], 3)
# 3. Hazard przyczynowo-specyficzny a CIF w dwóch grupach wieku
cs_pcm <- coxph(Surv(lata, zdarzenie == 1) ~ wiek, data = d) # hazard PCM (zgon = cenzurowanie)
cs_zgon <- coxph(Surv(lata, zdarzenie == 2) ~ wiek, data = d) # hazard zgonu bez PCM
round(rbind(HR_PCM = summary(cs_pcm)$conf.int[1, c(1, 3, 4)], HR_zgon = summary(cs_zgon)$conf.int[1, c(1, 3, 4)]), 2)
round(c(p_PCM = summary(cs_pcm)$coef[1, 5]), 3)
rg <- do.call(rbind, lapply(levels(d$wiek), function(g) {
x <- d[d$wiek == g, ]; cbind(cif_recznie(x$lata, x$zdarzenie), wiek = g)
}))
rg$wiek <- factor(rg$wiek, levels = levels(d$wiek))
round(sapply(levels(d$wiek), function(g) c(cif_pcm_20 = w_chwili(rg[rg$wiek == g, ], "cif_pcm", 20),
km_pcm_20 = w_chwili(rg[rg$wiek == g, ], "km_pcm", 20),
cif_zgon_20 = w_chwili(rg[rg$wiek == g, ], "cif_zgon", 20))), 3)
# Rysunek: A – 1 − KM vs CIF dla PCM w całej kohorcie; B – CIF PCM w dwóch grupach wieku
dl <- rbind(data.frame(lata = c(0, r$lata), p = c(0, r$km_pcm), krzywa = "PCM: 1 − Kaplan–Meier"),
data.frame(lata = c(0, r$lata), p = c(0, r$cif_pcm), krzywa = "PCM: CIF"),
data.frame(lata = c(0, r$lata), p = c(0, r$cif_zgon), krzywa = "zgon bez PCM: CIF"))
dl$krzywa <- factor(dl$krzywa, levels = c("PCM: 1 − Kaplan–Meier", "PCM: CIF", "zgon bez PCM: CIF"))
pA <- ggplot(dl, aes(lata, p, colour = krzywa, linetype = krzywa)) +
geom_step(linewidth = 0.9) +
scale_colour_manual(values = unname(kol[c("km", "pcm", "zgon")]), name = NULL) +
scale_linetype_manual(values = c("22", "solid", "41"), name = NULL) +
scale_y_continuous(labels = function(x) paste0(round(100 * x), "%")) +
coord_cartesian(xlim = c(0, 25), ylim = c(0, 1)) +
labs(title = "A. Cała kohorta (N = 1384)",
subtitle = sprintf("Po 20 latach: 1 − KM %.1f%%, CIF %.1f%%", 100 * tab["km_1_minus", 2], 100 * tab["cif_pcm", 2]),
x = "Lata od rozpoznania MGUS", y = "Skumulowany odsetek") +
motyw + guides(colour = guide_legend(ncol = 1), linetype = guide_legend(ncol = 1))
rgB <- rbind(data.frame(lata = 0, cif_pcm = 0, wiek = levels(d$wiek)), rg[, c("lata", "cif_pcm", "wiek")])
rgB$wiek <- factor(rgB$wiek, levels = levels(d$wiek))
pB <- ggplot(rgB, aes(lata, cif_pcm, colour = wiek, linetype = wiek)) +
geom_step(linewidth = 0.9) +
scale_colour_manual(values = unname(kol[c("mlodsi", "starsi")]), name = NULL) +
scale_linetype_manual(values = c("solid", "22"), name = NULL) +
scale_y_continuous(labels = function(x) paste0(round(100 * x), "%")) +
coord_cartesian(xlim = c(0, 25), ylim = c(0, 0.2)) +
labs(title = "B. CIF progresji do PCM według wieku",
subtitle = sprintf("HR (70+ vs <70): PCM %.2f [%.2f; %.2f], zgon %.2f",
summary(cs_pcm)$conf.int[1, 1], summary(cs_pcm)$conf.int[1, 3], summary(cs_pcm)$conf.int[1, 4],
summary(cs_zgon)$conf.int[1, 1]),
x = "Lata od rozpoznania MGUS", y = "Skumulowany odsetek PCM") +
motyw + guides(colour = guide_legend(ncol = 1), linetype = guide_legend(ncol = 1))
p2 <- pA + pB
p2Wynik w R
N cenzurowanie PCM zgon_bez_PCM
1384 409 115 860
lata km_1_minus cif_pcm cif_zgon
[1,] 10 0.095 0.064 0.532
[2,] 20 0.210 0.100 0.724
[3,] 25 0.261 0.109 0.763
PCM zgon
[1,] 0.064 0.532
[2,] 0.100 0.724
[3,] 0.109 0.763
exp(coef) lower .95 upper .95
HR_PCM 1.18 0.8 1.73
HR_zgon 3.28 2.8 3.83
p_PCM
0.412
poniżej 70 lat 70 lat i więcej
cif_pcm_20 0.134 0.078
km_pcm_20 0.203 0.278
cif_zgon_20 0.517 0.8762. Oś czasu: rysunek 1
Kod R rysunku 1
# Oś czasu: John D. Kalbfleisch (ur. 1943) i Ross L. Prentice – lata według cytowanych źródeł
library(ggplot2)
zdarzenia <- data.frame(
rok = c(1943, 1969, 1980, 1990, 2002,
1970, 1974, 1978, 1986, 2002),
osoba = c(rep("John D. Kalbfleisch", 5), rep("Ross L. Prentice", 5)),
opis = c("urodził się\nw Grand Valley (Ontario)", "doktorat\n(Waterloo)", "książka o danych\nczasu do zdarzenia\n(z Prentice’em)",
"dziekan Wydziału\nMatematyki w Waterloo", "kieruje katedrą\nbiostatystyki\nw Michigan",
"doktorat\n(Toronto)", "Fred Hutch\ni University\nof Washington", "praca o ryzykach\nkonkurujących\n(Biometrics)",
"plan case-cohort\n(Biometrika)", "WHI: wyniki próby\nterapii hormonalnej\n(JAMA)"),
rodzaj = c("życie", "praca", "publikacja", "praca", "praca",
"praca", "praca", "publikacja", "publikacja", "publikacja"),
poziom = c(0.5, -0.5, 0.5, -0.5, 0.5,
0.5, -0.5, 0.5, -0.5, 0.5), # wysokość etykiety (+ nad osią, − pod)
wyrownanie = c(0.5, 0.5, 0.5, 0.5, 0.5,
1, 0.5, 0, 0.5, 0.5)) # rozsunięcie bliskich etykiet
zdarzenia$etykieta <- paste0(zdarzenia$rok, "\n", zdarzenia$opis)
zdarzenia$osoba <- factor(zdarzenia$osoba, levels = c("John D. Kalbfleisch", "Ross L. Prentice"))
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) +
geom_segment(aes(xend = rok, y = 0, yend = poziom), colour = "grey70") +
geom_point(aes(shape = rodzaj, fill = rodzaj), size = 3.8, colour = "black") +
geom_text(aes(y = poziom + 0.06 * sign(poziom), label = etykieta, vjust = ifelse(poziom > 0, 0, 1), hjust = wyrownanie),
size = 3.1, lineheight = 0.88) +
facet_wrap(~ osoba, ncol = 1) +
scale_shape_manual(values = ksztalty, name = NULL) +
scale_fill_manual(values = kolory, name = NULL) +
scale_x_continuous(limits = c(1935, 2015), breaks = seq(1940, 2010, by = 10)) +
scale_y_continuous(limits = c(-1.7, 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"),
strip.text = element_text(face = "bold", hjust = 0), legend.position = "bottom")
p1Bibliografia oprogramowania
Wyniki pochodzą z uruchomienia pokazanego kodu w R 4.5.3 (CIF i Kaplan–Meier – obliczenia własne i funkcja survfit(), modele Coxa – funkcja coxph(), dane – pakiet survival; 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 są Ross Prentice i John Kalbfleisch?
Kanadyjskimi biostatystykami, absolwentami University of Waterloo. Kalbfleisch (ur. 1943) zrobił tam doktorat w 1969 r., był dziekanem Wydziału Matematyki, a od 2002 r. pracował na University of Michigan. Prentice doktoryzował się w Toronto w 1970 r. i od 1974 r. pracował w Fred Hutchinson Cancer Center w Seattle i na University of Washington (Statistical Society of Canada, 2015; Fred Hutchinson Cancer Center, b.d.).
Co to jest książka Kalbfleischa i Prentice’a?
The Statistical Analysis of Failure Time Data – podręcznik analizy danych czasu do zdarzenia, wydany przez Wiley w 1980 r., drugie wydanie w 2002 r. Drugie wydanie obejmuje m.in. modele parametryczne, model Coxa, procesy liczące, ryzyka konkurujące, modele wielostanowe i zdarzenia nawracające.
Dlaczego przy ryzykach konkurujących nie używa się 1 − Kaplan–Meier?
Bo 1 − Kaplan–Meier traktuje zdarzenie konkurujące (np. zgon) jak cenzurowanie, czyli opisuje świat, w którym nikt nie może umrzeć. W danych mgus2 daje to 21.0% progresji po 20 latach, a skumulowana częstość (CIF) – 10.0%.
Co to jest plan case-cohort Prentice’a?
Plan badania kohortowego z 1986 r., w którym kosztowne dane o zmiennych zbiera się tylko od osób ze zdarzeniem i od losowej podkohorty, a nie od całej kohorty. Jedna podkohorta może służyć do badania wielu różnych zdarzeń (Prentice, 1986).
Powiązane hasła
Poradniki, w których użyjesz tego pojęcia
Ryzyka konkurencyjne: Fine–Gray i CIF
Dlaczego 1 − Kaplan–Meier zawyża ryzyko, CIF, hazard przyczynowo-specyficzny a Fine–Gray, przykład w R (survival), tabela i opis APA.
Czytaj →PoradnikKaplan–Meier i model Coxa krok po kroku
Krzywe Kaplana–Meiera, log-rank, RMST, model Coxa, proporcjonalność hazardów i ryzyka konkurujące w R – z tabelą APA i opisem do artykułu.
Czytaj →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)
- Fred Hutchinson Cancer Center. (b.d.). Ross Prentice, PhD. fredhutch.org. Pobrano 22 listopada 2026 z https://www.fredhutch.org/en/faculty-lab-directory/prentice-ross.html ● Otwarty dostęp
- Kalbfleisch, J. D., & Prentice, R. L. (2002). The statistical analysis of failure time data (2nd ed.). Wiley. https://doi.org/10.1002/9781118032985
- Mapes, D. (2023). Fred Hutch’s Dr. Ross Prentice retires. Fred Hutch News Service. https://www.fredhutch.org/en/news/center-news/2023/01/fred-hutch-statistician-ross-prentice-retires.html ● Otwarty dostęp
- Prentice, R. L. (1986). A case-cohort design for epidemiologic cohort studies and disease prevention trials. Biometrika, 73(1), 1–11. https://doi.org/10.1093/biomet/73.1.1
- Prentice, R. L., Kalbfleisch, J. D., Peterson, A. V., Flournoy, N., Farewell, V. T., & Breslow, N. E. (1978). The analysis of failure times in the presence of competing risks. Biometrics, 34(4), 541–554. https://doi.org/10.2307/2530374
- Statistical Society of Canada. (2015). John D. Kalbfleisch, Honorary Members 2015. ssc.ca. https://ssc.ca/en/awards/2015/john-d-kalbfleisch-honorary-members-2015 ● Otwarty dostęp
Cytowania BibTeX
@misc{fredhutchprentice, author={{Fred Hutchinson Cancer Center}}, title={{Ross Prentice, PhD}}, howpublished={fredhutch.org}, url={https://www.fredhutch.org/en/faculty-lab-directory/prentice-ross.html}}@book{kalbfleisch2002statistical, author={Kalbfleisch, John D. and Prentice, Ross L.}, title={{The statistical analysis of failure time data}}, year={2002}, edition={2}, publisher={Wiley}, doi={10.1002/9781118032985}}@misc{mapes2023prentice, author={Mapes, Diane}, title={{Fred Hutch’s Dr. Ross Prentice retires}}, howpublished={Fred Hutch News Service}, year={2023}, url={https://www.fredhutch.org/en/news/center-news/2023/01/fred-hutch-statistician-ross-prentice-retires.html}}@article{prentice1986case, author={Prentice, Ross L.}, title={{A case-cohort design for epidemiologic cohort studies and disease prevention trials}}, journal={Biometrika}, year={1986}, volume={73}, number={1}, pages={1--11}, doi={10.1093/biomet/73.1.1}}@article{prentice1978analysis, author={Prentice, Ross L. and Kalbfleisch, John D. and Peterson, Arthur V. and Flournoy, Nancy and Farewell, Vern T. and Breslow, Norman E.}, title={{The analysis of failure times in the presence of competing risks}}, journal={Biometrics}, year={1978}, volume={34}, number={4}, pages={541--554}, doi={10.2307/2530374}}@misc{ssc2015kalbfleisch, author={{Statistical Society of Canada}}, title={{John D. Kalbfleisch, Honorary Members 2015}}, howpublished={ssc.ca}, year={2015}, url={https://ssc.ca/en/awards/2015/john-d-kalbfleisch-honorary-members-2015}}