1. Einleitung: Datenanalyse mit stochastischen Modellen.- 1.1. Daten und Modell.- 1.2. Beispiele und Fragestellungen.- 1.3. Datenarten und Datenstruktur.- 1.4. Einige Vorteile der Datenanalyse mit stochastischen Modellen.- 2. Grundlegende Konzepte stochastischer Modelle.- 2.1. Arten stochastischer Prozesse.- 2.2. Das Zwei-Zustands-Modell mit absorbierendem Zielzustand.- 2.3. Mehr-Zustands-Modelle.- 2.4. Maximum-Likelihood-Schätzung der Übergangsrate.- 3. Nicht-parametrische Verfahren.- 3.1. Explorative Datenanalyse.- 3.2. Nicht-parametrische Schätzverfahren bei gruppierten Zeitbereichs-Daten: Life-Table-Schätzer.- 3.3. Nicht-parametrische Schätzverfahren bei Individualdaten mit exakter Ankunftszeit: Product-Limit-Schätzer.- 3.4. Nicht-parametrische Verfahren für den Vergleich von Subgruppen.- 4. Semi-parametrische Verfahren.- 4.1. Das Proportional-Hazards-Modell von COX.- 4.2. Die Partial-Likelihood-Methode von COX.- 4.3. Das geschichtete Cox-Modell und die Überprüfung der Proportionalitätsannahme.- 4.4. Signifikanztests und Stepwise-Regression.- 4.5. Anwendungsbeispiel Arbeitslosigkeit mit dem Programm BMDP.- 5. Parametrische Verfahren.- 5.1. Das log-lineare Basismodell.- 5.2. Parametrische Modelle der Zeitabhängigkeit.- 5.3. Kovariateneffekte und Zeitabhängigkeit.- 5.4. Mehr-Zustands-Modelle.- 6. Ausblick.- 1. Notation und Definition der wichtigsten Terme.- 2. Ableitung der Überlebensfunktion und einiger weiterer Beziehungen beim Zwei-Zustands-Modell mit absorbierendem Zielzustand.- 3. Ableitung der Maximum-Likelihood-Schätzer bei qualitativen Kovariaten.- 4. Die Ableitung der Differentialgleichungen für die Zustandswahrscheinlichkeiten bei Multi-State-Modellen.
