Core Function
Visual Modeling Tool
使用可视化Tree Diagram Editor，您可以轻松地创建模型结构来表示所研究的问题。模型结构将包括决策点和可能发生的所有事件。结构中的不同节点类型，反映出分支结构中的替代选项或可能发生的事件。在模型结构中的任何地方都可以插入节点。复制或移动单个节点或子树内的模型。复制模型的重复部分，以减少建模时间并确保模型内的一致性。
下面的模型，有一个单一决策，是否起诉或接受和解提议。还有点胜负不明，（赢/输的案件和损害金额），以圆圈为代表。最后，有终端节点反映每个场景的整体值，以三角形表示。
Simple Legal Tree
Evaluate and Compare Strategies
模型构建完成后，TreeAge Pro自动生成所需的评估模型和选择较优策略所需的算法。这使您能够专注于手头上的问题，而不是评估模型所需的计算。
标准算法根据策略的概率对每个可能的结果赋予权重。合并加权平均产生每个策略的总体期望值。分析可以在比较所有选项的基础上选择较佳策略。树可以选择项根据这些选择——较大值、较小值、成本效益、多属性和成本效用（需要Healthcare Module）控制比较的方法。模型还可以存储多个度量值。然后，简单地改变活动的度量并重新分析同样的模型。当使用Roll Back分析上述模型时，在所有节点上计算期望值（EV）。在决策节点，较大值被选为较优策略。
Legal Tree Rolled Back
Study Uncertainty
TreeAge Pro允许您去研究模型输入中的不确定性如何影响结果，而这个结果我们可以通过输出来绘制。为了研究单个参数的不确定性，必须用一个变量来表示参数。然后，变量可以在不确定的范围内进行分析，而不是使用单点估计。下面的模型与前面的模型计算的值相同，但是使用变量定义了三个独立参数。然后在概率和值表达式中引用这些变量。
Legal Tree with Variables
该模型可用灵敏度分析来研究不确定性。例如，下面的分析使用范围从0.5到0.7间隔四次的pWin变量。这个分析重新评估pWin值为0.5，0.55，0.6，0.65和0.7的模型，然后根据参数范围显示每个策略的EV值。
Sensitivity Analysis on Legal Tree
上图表明pWin值为0.55时，三条线的临界值。如果pWin值小于0.55，那么Settlement Offer EV值比较高；如果pWin值大于0.55，那么Litigate EV值比较高。
从仿真结果中可以看到许多其他输出图和数值报表。
State Transition/Markov Models
通常，healthcare models需要跟随疾病进程进入未来。这个问题较常见的方法是创建状态转换或Markov模型。TreeAge Pro通过决策数结构支持Markov模型。如下图：
Markov Model
Markov Model：一个Markov模型由Markov节点和右边所有部分组成。决策树模型可以包含许多马尔可夫模型，用于特定的策略、子组等。每个Markov模型作为一个单元进行评估，生成一个期望值，该值可以反馈到整个决策树的分析结果中。
Health States: Markov节点的直接分支是health states。队列开始每个周期分布在Health state中。
Transition Subtrees: 每个health state都有自己的转换子树，它可以*一个周期内发生的事件。在转换子树终止的每个点上，队列被返回到一个状态以开始下一个循环。这就导致了队列在health state中的不同分布来开始每个循环。
Accumulating Value: 队列通过health states和过渡子树、成本、效益和/或其他价值被积累而循环，都基于开始的health states和周期内发生的事件。
Expected Value: 在所有周期完成后，整体累计成本和/或有效性生成Markov模型的期望值（EV）。这意味着任意数量周期内所有事件的组合，整体Markov模型EV可以将其作为对疾病**方案的总体评价的补充。
TreeAge Pro的 Healthcare Module允许您在成本效益基础上通过增量成本效益和/或净效益比较战略。您也可以根据成本或比较效益（CER）来比较同一模型中的策略。您甚至可以使用非标准的测量，如感染、死亡等。
下面的模型包括两种**特定**的策略。每种策略都有不同的根除**的可能性。在每个终端节点上，与该结果相关联的成本和效能值。
-/gjiiih/-
http://turntech8843.b2b168.com
