คำถามติดแท็ก survival

มีใครช่วยอธิบายโมเดล Cox ของฉันให้ฉันฟังเป็นภาษาอังกฤษธรรมดาได้ไหม ฉันติดตั้งโมเดลการถดถอยของ Cox ต่อไปนี้กับข้อมูลทั้งหมดของฉันโดยใช้cphฟังก์ชั่น Dataข้อมูลของฉันจะถูกบันทึกไว้ในวัตถุที่เรียกว่า ตัวแปรw, xและyมีความต่อเนื่อง zเป็นปัจจัยสองระดับ เวลามีหน่วยวัดเป็นเดือน ผู้ป่วยบางรายของฉันขาดข้อมูลสำหรับตัวแปรz( หมายเหตุ : ฉันได้ระบุไว้อย่างชัดเจนว่าคำแนะนำของดร. ฮาร์เรลด้านล่างนี้ว่าฉันใส่ค่าเหล่านี้เพื่อหลีกเลี่ยงการทำให้ลำเอียงแบบของฉันและจะทำในอนาคต) > fit <- cph(formula = Surv(time, event) ~ w + x + y + z, data = Data, x = T, y = T, surv = T, time.inc = 12) Cox Proportional Hazards Model …

14 r  cross-validation  survival  cox-model 

ฉันได้พยายามที่จะมองเห็นสิ่งที่เอาท์พุท "coef" และ "(exp) coef" ของ coxph มีความหมาย ดูเหมือนว่า "coef" (exp) "เป็นการเปรียบเทียบตัวแปรแรกในรูปแบบตามกลุ่มที่กำหนดไว้ในคำสั่ง ฟังก์ชัน coxph มาถึงค่าสำหรับ "coef" และ "(exp) coef" อย่างไร นอกจากนี้ coxph จะกำหนดค่าเหล่านี้เมื่อมีการเซ็นเซอร์ที่เกี่ยวข้องได้อย่างไร

14 r  survival  interpretation 

ฉันรู้ว่าแบบจำลองทางสถิติแบบดั้งเดิมเช่น Cox Proportional Hazards Regression & แบบจำลอง Kaplan-Meier บางอย่างสามารถใช้ในการทำนายวันจนกว่าเหตุการณ์ที่จะเกิดขึ้นต่อไปจะบอกว่าล้มเหลว ฯลฯ เช่นการวิเคราะห์การอยู่รอด คำถาม การถดถอยของโมเดลการเรียนรู้ของเครื่องเช่น GBM, โครงข่ายใยประสาทเทียม ฯลฯ สามารถใช้ในการทำนายวันจนถึงเหตุการณ์ได้อย่างไร? ฉันเชื่อว่าการใช้วันจนกว่าจะเกิดขึ้นเป็นตัวแปรเป้าหมายและการใช้โมเดลการถดถอยจะไม่ทำงาน ทำไมมันไม่ทำงานและจะแก้ไขอย่างไร เราสามารถแปลงปัญหาการวิเคราะห์การเอาชีวิตรอดเป็นการจัดประเภทแล้วได้รับความน่าจะเป็นของการอยู่รอดได้หรือไม่? ถ้าเช่นนั้นจะสร้างตัวแปรเป้าหมายไบนารีได้อย่างไร? ข้อดีและข้อเสียของวิธีการเรียนรู้ของเครื่องเทียบกับการถดถอยอันตรายของ Cox Proportional & รุ่น Kaplan-Meier ฯลฯ คืออะไร? ลองนึกภาพข้อมูลตัวอย่างอินพุตเป็นรูปแบบด้านล่าง บันทึก: เซ็นเซอร์ส่ง Ping ข้อมูลในช่วงเวลา 10 นาที แต่ในบางครั้งข้อมูลอาจหายไปเนื่องจากปัญหาเครือข่าย ฯลฯ ตามที่แสดงโดยแถวที่มี NA var1, var2, var3 เป็นตัวทำนายตัวแปรอธิบาย failure_flag บอกว่าเครื่องล้มเหลวหรือไม่ เรามีข้อมูล 6 เดือนล่าสุดทุก ๆ …

13 machine-learning  classification  survival  cox-model  kaplan-meier 

ฉันได้อ่านเกี่ยวกับการเซ็นเซอร์ว่ามันคืออะไรและมันจำเป็นต้องนำมาใช้ในการวิเคราะห์การอยู่รอด แต่ฉันต้องการที่จะได้ยินคำจำกัดความทางคณิตศาสตร์ของมันน้อยลง ทุกคนสามารถให้คำอธิบายแก่ฉันเกี่ยวกับ 1) การเซ็นเซอร์และ 2) มันมีผลอย่างไรกับเส้นโค้ง Kaplan-Meier และการถดถอยของ Cox

13 survival  cox-model  censoring 

ในกลยุทธ์การสร้างแบบจำลองการถดถอยโดย Harrell (รุ่นที่สอง) มีส่วน (S. 20.1.7) ที่กล่าวถึงโมเดล Cox รวมถึงการทำงานร่วมกันระหว่าง covariate ที่มีผลกระทบหลักต่อการอยู่รอดเราต้องการประเมินเช่นกัน (อายุในตัวอย่างด้านล่าง) และ covariate ที่มีเอฟเฟกต์หลักที่เราไม่ต้องการประเมิน (เพศในตัวอย่างด้านล่าง) เป็นรูปธรรม: สมมติว่าในความเป็นอันตราย (ไม่ทราบจริง)ตามแบบจำลองh(t)h(t)h(t) h(t)={hf(t)exp(β1age),hm(t)exp((β1+β2)age),for female patiensfor male patiensh(t)={hf(t)exp⁡(β1age),for female patienshm(t)exp⁡((β1+β2)age),for male patiensh(t) = \begin{cases} h_f(t) \exp(\beta_1 \textrm{age}), & \textrm{for female patiens} \\ h_m(t) \exp((\beta_1 + \beta_2) \textrm{age}), & \textrm{for male patiens} \end{cases} โดยที่ ,ไม่เป็นความจริงจริงไม่ควรประเมินฟังก์ชั่นอันตรายพื้นฐานและ …

13 survival  cox-model  stratification 

ความเข้าใจของฉันคืออัตราส่วนอันตรายจากโมเดลอันตรายตามสัดส่วนของ Cox เปรียบเทียบผลกระทบต่ออัตราอันตรายของปัจจัยที่กำหนดกับกลุ่มอ้างอิง คุณจะรายงานสิ่งนั้นต่อผู้ชมที่ไม่ทราบสถิติอย่างไร ลองทำตัวอย่างวลี สมมติว่าเราลงทะเบียนผู้คนในการศึกษาระยะเวลาก่อนที่จะซื้อโซฟา เราเซ็นเซอร์อย่างถูกต้องที่ 3 ปี สำหรับตัวอย่างนี้เรามีสองปัจจัย: อายุ <30 หรือ> = 30 ไม่ว่าจะเป็นแมว เปลี่ยนอัตราส่วนความเป็นอันตรายของ "เจ้าของแมว" ให้กับกลุ่มอ้างอิง (อายุ <30, "ไม่ได้เป็นเจ้าของแมว") คือ 1.2 และมีนัยสำคัญ (พูดว่า p <0.05) ฉันถูกต้องหรือไม่ที่จะบอกว่านั่นหมายถึงสิ่งเหล่านี้ทั้งหมด: เจ้าของแมวมีกิจกรรมเพิ่มเติม (ซื้อที่นอน) ภายใน 3 ปีหรือเวลาต่อการจัดกิจกรรม (ซื้อที่นอน) นั้นเร็วขึ้นสำหรับเจ้าของแมวหรือรวมสองสิ่งนี้เข้าด้วยกัน แก้ไข : สมมติว่าเหตุการณ์เป็นการซื้อครั้งแรกของโซฟาภายในระยะเวลา (ถ้ามี) รุ่นนี้ไม่ได้ช่วยให้เราวิเคราะห์การซื้อหลายรายการภายในระยะเวลา

13 survival  cox-model 

ฉันเคยใช้การจูนโมเดลcaretแต่แล้วก็รันโมเดลอีกครั้งโดยใช้gbmแพ็คเกจ ฉันเข้าใจว่าcaretแพ็กเกจที่ใช้gbmและเอาต์พุตควรเหมือนกัน อย่างไรก็ตามการทดสอบการทำงานอย่างรวดเร็วโดยใช้data(iris)แสดงความแตกต่างในรูปแบบประมาณ 5% โดยใช้ RMSE และ R ^ 2 เป็นตัวชี้วัดการประเมินผล ฉันต้องการค้นหาประสิทธิภาพของแบบจำลองที่ดีที่สุดโดยใช้caretแต่เรียกใช้อีกครั้งgbmเพื่อใช้ประโยชน์จากแผนการพึ่งพาบางส่วน รหัสด้านล่างสำหรับการทำซ้ำ คำถามของฉันจะเป็น: 1) เหตุใดฉันจึงเห็นความแตกต่างระหว่างแพ็คเกจทั้งสองนี้ถึงแม้ว่าพวกเขาจะเหมือนกัน (ฉันเข้าใจว่าพวกมันสุ่ม แต่ 5% ค่อนข้างแตกต่างกันมากโดยเฉพาะอย่างยิ่งเมื่อฉันไม่ได้ใช้ชุดข้อมูลที่ดีirisสำหรับการสร้างแบบจำลองของฉัน) . 2) มีข้อดีหรือข้อเสียในการใช้ทั้งสองแพคเกจหรือไม่ 3) ไม่เกี่ยวข้อง: การใช้irisชุดข้อมูลที่ดีที่สุดinteraction.depthคือ 5 แต่สูงกว่าที่ฉันได้อ่านควรจะใช้สูงสุดfloor(sqrt(ncol(iris)))ซึ่งควรจะเป็น 2 นี่เป็นกฎง่ายๆหรือเข้มงวดหรือไม่? library(caret) library(gbm) library(hydroGOF) library(Metrics) data(iris) # Using caret caretGrid <- expand.grid(interaction.depth=c(1, 3, 5), n.trees = (0:50)*50, shrinkage=c(0.01, 0.001), n.minobsinnode=10) metric …

13 r  caret  gbm  matrix  linear-algebra  logistic  modeling  logit  ordered-logit  r  confidence-interval  survival  population  weibull  classification  separation  hypothesis-testing  correlation  statistical-significance  p-value  python  r  data-visualization  r  regression  multiple-regression  chi-squared  multivariate-analysis  distributions  random-variable  experiment-design  distributions  poisson-regression  residuals  excel  time-series  garch  var  survival  modeling  cox-model  interaction  r  pca  normality-assumption 

ในกรณีนี้ฉันหมายถึงวันที่ทะเลสาบค้าง วันที่ "ice-on" นี้เกิดขึ้นปีละครั้ง แต่บางครั้งก็ไม่เกิดขึ้นเลย (หากฤดูหนาวอบอุ่น) ดังนั้นในหนึ่งปีทะเลสาบอาจหยุดในวันที่ 20 (มกราคม 20) และอีกปีหนึ่งก็อาจไม่หยุดเลย เป้าหมายคือการหาไดรเวอร์ของวันที่น้ำแข็ง ตัวทำนายจะเป็นสิ่งต่าง ๆ เช่นอุณหภูมิอากาศฤดูใบไม้ร่วง / ฤดูหนาวในแต่ละปี ปีอาจเป็นเครื่องทำนายแนวโน้มเชิงเส้นในระยะยาว 1) จำนวนเต็ม "วันของปี" เป็นตัวแปรตอบกลับที่สมเหตุสมผล (ถ้าไม่ใช่คืออะไร) 2) เราควรจัดการกับปีที่ทะเลสาบไม่เคยแข็งตัวอย่างไร? แก้ไข: ฉันไม่รู้ว่ามารยาทคืออะไรที่นี่ แต่ฉันคิดว่าฉันโพสต์ผลลัพธ์ของคำแนะนำที่ฉันได้รับ นี่คือกระดาษที่เปิดการเข้าถึง ฉันได้รับผลตอบรับที่ดีเกี่ยวกับวิธีการใช้ขอบคุณ @pedrofigueira และ @cboettig แน่นอนข้อผิดพลาดเป็นของฉันเอง

13 regression  time-series  survival  data-transformation  recurrent-events 

ฉันต้องการคำนวณฟังก์ชั่นผู้รอดชีวิตที่คาดการณ์ไว้สำหรับโมเดลอันตรายตามสัดส่วนของ Cox ด้วยเงื่อนไขที่อ่อนแอ [ใช้แพ็คเกจการอยู่รอด] ปรากฏว่าเมื่อเงื่อนไขที่อ่อนแออยู่ในแบบจำลองฟังก์ชันการรอดชีวิตที่คาดการณ์ไม่สามารถคำนวณได้ ## Example require(survival) data(rats) ## Create fake weight set.seed(90989) rats$weight<-runif(nrow(rats),0.2,0.9) ## Cox model with gamma frailty on litter fit <- coxph(Surv(time, status) ~ rx+weight+frailty(litter,dist="gamma"), data = rats) ## Compute survival curve from the cox model for rx=0 and weight=0.5 kg plot(survfit(fit, newdata=data.frame(rx=0,weight=0.5)),xlab = "time", ylab="Survival") …

13 r  survival  cox-model  frailty 

ฉันกำลังทำงานกับปัญหาการทำนายการปั่นแบบดั้งเดิมโดยใช้จำนวนการเข้าชมของผู้ใช้ที่กำหนดให้กับไซต์หนึ่งและฉันคิดว่า Poisson Regression เป็นเครื่องมือที่เหมาะสมสำหรับการสร้างแบบจำลองการมีส่วนร่วมในอนาคตของผู้ใช้นั้น เมื่อนั้นฉันเจอหนังสือเกี่ยวกับการวิเคราะห์การอยู่รอดและการจำลองแบบอันตรายและฉันไม่รู้ว่าเทคนิคใดดีที่สุด ฉันไม่ต้องการทำการค้นคว้าทั้งสองหัวข้อในเวลาเดียวกันดังนั้นสิ่งที่ดีที่สุดสำหรับการสร้างแบบจำลองการมีส่วนร่วมของผู้ใช้โดยใช้ข้อมูลในอดีตและข้อมูลประชากร

13 survival  hazard  poisson-process 

ฉันต้องการเปรียบเทียบสองวิธีที่แตกต่างกันในการตรวจจับการเปลี่ยนแปลงสถานะในการวิเคราะห์การรอดชีวิต มีการติดตามกลุ่มวิชาเป็นเวลานาน (หลายปี) และใช้วิธีการตรวจสอบสองวิธีเพื่อตรวจสอบว่ามีการเปลี่ยนแปลงสถานะหรือไม่ วิธีหนึ่งใช้ในการตรวจสอบแต่ละวิชาปีละสองครั้งและใช้วิธีที่สองเพื่อตรวจสอบแต่ละวิชาปีละครั้ง คำถามคือถ้าทั้งสองวิธีต่างกันอย่างเป็นระบบในความสามารถในการตรวจจับการเปลี่ยนแปลงสถานะ การทดสอบที่ฉันคิดว่าเป็นการทดสอบระดับล็อกเพื่อดูว่าเส้นโค้ง Kaplan-Meier ของทั้งสองวิธีนั้นแตกต่างกันหรือไม่ ฉันสงสัยว่ามันเป็นปัญหาหรือไม่ที่เส้นโค้งการอยู่รอดเป็น“ คู่” (เช่นใช้สองวิธีในวิชาเดียวกัน) เมื่อทำการทดสอบระดับบันทึก มันเป็นการละเมิดสมมติฐานในการทดสอบ log-rank หรืออาจเป็นเพียงการทดสอบที่ไม่มีประสิทธิภาพเพราะมันไม่ได้อธิบายว่าเส้นโค้งทั้งสองนั้นเกี่ยวข้องกันหรือไม่ ไม่มีใครมีข้อเสนอแนะสำหรับการวิเคราะห์ทางเลือกที่ทำบัญชีสำหรับการพึ่งพาอาศัยอยู่ในการสังเกต? บางทีนี่อาจไม่ใช่ปัญหาบางทีฉันอาจจะคิดมากไป ฉันไม่ทราบว่าเวลาที่แท้จริงของการเปลี่ยนแปลงสถานะเพียงจุดเวลาเมื่อวิธีการตรวจพบการเปลี่ยนแปลงสถานะ หนึ่งคิดว่าฉันต้องตั้งเวลาการเอาตัวรอดให้เป็นจุดกึ่งกลางของช่วงเวลาระหว่างการตรวจสอบครั้งล่าสุดเมื่อไม่ได้ตรวจพบการเปลี่ยนสถานะและการตรวจสอบเมื่อตรวจพบการเปลี่ยนสถานะ ที่สามารถชดเชยข้อเสียของวิธีการที่ใช้สำหรับการตรวจสอบวิชาเพียงปีละครั้งในทางตรงกันข้ามกับวิธีการที่ใช้สองครั้งต่อปี จากนั้นสร้างเส้นโค้งการอยู่รอดจากข้อมูลเหล่านี้

13 survival  paired-data 

ฉันต้องประมาณฟังก์ชั่นอันตรายพื้นฐานในรูปแบบ Cox ที่ขึ้นอยู่กับเวลาλ0( t )λ0(t)\lambda_0(t) λ(t)=λ0(t)exp(Z(t)′β)λ(t)=λ0(t)exp⁡(Z(t)′β)\lambda(t) = \lambda_0(t) \exp(Z(t)'\beta) ขณะที่ฉันเข้าเรียนหลักสูตรการอยู่รอดฉันจำได้ว่าอนุพันธ์โดยตรงของฟังก์ชันอันตรายสะสม ( ) จะไม่เป็นตัวประมาณที่ดีเพราะตัวประมาณ Breslow ให้ฟังก์ชันขั้นตอนλ0(t)dt=dΛ0(t)λ0(t)dt=dΛ0(t)\lambda_0(t) dt = d\Lambda_0(t) ดังนั้นมีฟังก์ชั่นใด ๆ ใน R ที่ฉันสามารถใช้โดยตรงได้หรือไม่ หรือการอ้างอิงใด ๆ ในหัวข้อนี้? ฉันไม่แน่ใจว่ามันมีค่าที่จะเปิดคำถามอื่นดังนั้นฉันแค่เพิ่มพื้นหลังบางส่วนว่าทำไมฟังก์ชั่นอันตรายพื้นฐานมีความสำคัญสำหรับฉัน สูตรด้านล่างนี้ประเมินความน่าจะเป็นที่เวลารอดของวิชาหนึ่งนั้นจะใหญ่กว่าวิชาอื่น ภายใต้การตั้งค่าโมเดล Cox จำเป็นต้องมี ฟังก์ชั่นอันตรายพื้นฐานλ0(t)λ0(t)\lambda_0(t) P(T1>T2)=−∫∞0S1(t)dS2(t)=−∫∞0S1(t)S2(t)λ2(t)dtP(T1>T2)=−∫0∞S1(t)dS2(t)=−∫0∞S1(t)S2(t)λ2(t)dtP(T_1 > T_2 ) = - \int_0^\infty S_1(t) dS_2(t) = - \int_0^\infty S_1(t)S_2(t)\lambda_2(t)dt

13 r  survival  cox-model 

ขออภัยล่วงหน้าหากคำศัพท์ใด ๆ ที่ฉันใช้ไม่ถูกต้อง ฉันยินดีต้อนรับการแก้ไขใด ๆ หากสิ่งที่ฉันอธิบายว่าเป็น "การตัด" ใช้ชื่ออื่นให้แจ้งให้ฉันทราบและฉันสามารถอัปเดตคำถามได้ สถานการณ์ที่ฉันสนใจคือ: คุณมีตัวแปรอิสระและตัวแปรที่ขึ้นอยู่กับเดียว ฉันจะปล่อยให้มันคลุมเครือ แต่สมมติว่ามันค่อนข้างตรงไปตรงมาที่จะได้แบบจำลองการถดถอยที่ดีสำหรับตัวแปรเหล่านี้xx\bf{x}yyy แต่รูปแบบที่คุณกำลังเล็งที่จะสร้างเป็นตัวแปรอิสระและตัวแปรตามที่บางค่าคงที่ในช่วงของปี อย่างเท่าเทียมกันข้อมูลที่คุณมีการเข้าถึงไม่ได้รวมปีเท่านั้นWxx\bf{x}w=min(y,a)w=min(y,a)w = \min(y,a)aaayyyyyywww ตัวอย่างนี้เป็นตัวอย่างที่ค่อนข้างไม่สมจริงหากคุณพยายามทำตัวเป็นแบบอย่างว่าจะมีคนเก็บเงินบำนาญของพวกเขาเป็นเวลากี่ปี ในกรณีนี้xx\bf{x}อาจเป็นข้อมูลที่เกี่ยวข้องเช่นเพศน้ำหนักชั่วโมงการออกกำลังกายต่อสัปดาห์ ฯลฯ ตัวแปร 'พื้นฐาน' yyyจะเป็นอายุขัย อย่างไรก็ตามตัวแปรที่คุณสามารถเข้าถึงได้และพยายามทำนายในแบบจำลองของคุณคือw=min(0,y−r)w=min(0,y−r)w = \min(0, y-r)โดยที่ r คืออายุเกษียณ (สมมติว่ามันเรียบง่ายคงที่) มีวิธีที่ดีในการจัดการกับปัญหานี้ในการสร้างแบบจำลองการถดถอยหรือไม่?

12 regression  modeling  survival  censoring 

หมายเหตุ: คำถามนี้เป็นคำถามใหม่เนื่องจากต้องลบคำถามก่อนหน้านี้ด้วยเหตุผลทางกฎหมาย ในขณะที่เปรียบเทียบ PROC MIXED จาก SAS กับฟังก์ชันlmeจากnlmeแพ็คเกจใน R ฉันพบความแตกต่างที่ค่อนข้างสับสน โดยเฉพาะอย่างยิ่งองศาอิสระในการทดสอบที่แตกต่างกันระหว่างPROC MIXEDและlmeและฉันสงสัยว่าทำไม เริ่มจากชุดข้อมูลต่อไปนี้ (รหัส R ระบุด้านล่าง): ind: ปัจจัยบ่งชี้บุคคลที่จะทำการวัด fac: อวัยวะที่ใช้ทำการวัด trt: ปัจจัยบ่งชี้การรักษา y: ตัวแปรตอบสนองต่อเนื่องบางอย่าง ความคิดคือการสร้างแบบจำลองง่ายๆดังต่อไปนี้: y ~ trt + (ind): indเป็นปัจจัยสุ่ม y ~ trt + (fac(ind)): facซ้อนกันindเป็นปัจจัยสุ่ม โปรดทราบว่ารุ่นสุดท้ายที่ควรทำให้เกิดเอกเป็นมีเพียง 1 ค่าของyสำหรับการรวมกันของทุกและindfac แบบจำลองแรก ใน SAS ฉันสร้างโมเดลต่อไปนี้: PROC MIXED data=Data; CLASS ind fac …

12 r  mixed-model  sas  degrees-of-freedom  pdf  unbiased-estimator  distance-functions  functional-data-analysis  hellinger  time-series  outliers  c++  relative-risk  absolute-risk  rare-events  regression  t-test  multiple-regression  survival  teaching  multiple-regression  regression  self-study  t-distribution  machine-learning  recommender-system  self-study  binomial  standard-deviation  data-visualization  r  predictive-models  pearson-r  spearman-rho  r  regression  modeling  r  categorical-data  data-visualization  ggplot2  many-categories  machine-learning  cross-validation  weka  microarray  variance  sampling  monte-carlo  regression  cross-validation  model-selection  feature-selection  elastic-net  distance-functions  information-theory  r  regression  mixed-model  random-effects-model  fixed-effects-model  dataset  data-mining 

ฉันกำลังดูความอยู่รอดของคนไข้โดยใช้ Kaplan-Meier ในรัฐต่าง ๆ สำหรับโรคมะเร็ง มีความแตกต่างค่อนข้างมากระหว่างรัฐ ฉันจะเปรียบเทียบความอยู่รอดของค่ามัธยฐานระหว่างรัฐทั้งหมดและตัดสินว่ารัฐใดมีความแตกต่างอย่างมีนัยสำคัญจากค่าเฉลี่ยการอยู่รอดเฉลี่ยทั่วประเทศ?

12 multiple-comparisons  survival