คำถามติดแท็ก survival

ฉันต้องการสร้างข้อมูลการอยู่รอดของของเล่น (เวลาต่อเหตุการณ์) ซึ่งถูกตรวจสอบอย่างถูกต้องและติดตามการกระจายบางอย่างที่มีสัดส่วนที่เป็นอันตรายและอันตรายพื้นฐานคงที่ ฉันสร้างข้อมูลดังต่อไปนี้ แต่ฉันไม่สามารถรับอัตราส่วนความเป็นอันตรายโดยประมาณที่ใกล้เคียงกับค่าที่แท้จริงหลังจากติดตั้งโมเดลอันตรายตามสัดส่วนของ Cox กับข้อมูลจำลอง ฉันทำผิดอะไร? รหัส R: library(survival) #set parameters set.seed(1234) n = 40000 #sample size #functional relationship lambda=0.000020 #constant baseline hazard 2 per 100000 per 1 unit time b_haz <-function(t) #baseline hazard { lambda #constant hazard wrt time } x = cbind(hba1c=rnorm(n,2,.5)-2,age=rnorm(n,40,5)-40,duration=rnorm(n,10,2)-10) B = c(1.1,1.2,1.3) # …

12 survival  cox-model  monte-carlo 

ฉันต้องการที่จะเข้าใจการทดสอบที่แม่นยำของฟิชเชอร์มากขึ้นดังนั้นฉันจึงคิดค้นตัวอย่างของเล่นต่อไปนี้โดยที่ f และ m สอดคล้องกับเพศชายและเพศหญิงและ n และ y สอดคล้องกับ "การบริโภคโซดา" เช่นนี้: > soda_gender f m n 0 5 y 5 0 เห็นได้ชัดว่านี่คือการทำให้เข้าใจง่ายมาก แต่ฉันไม่ต้องการให้บริบทเข้ามาขวางทาง ที่นี่ฉันเพิ่งสันนิษฐานว่าผู้ชายไม่ดื่มโซดาและหญิงดื่มโซดาและต้องการดูว่าวิธีการทางสถิติมาถึงข้อสรุปเดียวกัน เมื่อฉันทำการทดสอบฟิชเชอร์ที่แน่นอนใน R ฉันจะได้ผลลัพธ์ต่อไปนี้: > fisher.test(soda_gender) Fisher's Exact Test for Count Data data: soda_gender p-value = 0.007937 alternative hypothesis: true odds ratio is not equal to 1 …

12 fishers-exact  hypergeometric  clustering  supervised-learning  modeling  econometrics  r  regression  residuals  heteroscedasticity  independence  distributions  self-study  matlab  libsvm  self-study  conditional-probability  conditional-expectation  hypothesis-testing  self-study  multiple-comparisons  mode  statistical-significance  chi-squared  multiple-comparisons  maximum-likelihood  poisson-process  optimization  uncertainty  genetic-algorithms  bayesian  model-selection  overfitting  maximum-likelihood  optimization  approximation  r  prediction  model-evaluation  r  machine-learning  survival  neural-networks  cox-model  machine-learning  bayesian  bayesian-network  hierarchical-bayesian  pooling 

มันได้รับการรู้จักกันสำหรับค่อนข้างบางเวลานั้นอายุที่อายุน้อยที่สุดที่ผู้เล่นหมากรุกจะมีคุณสมบัติสำหรับชื่อแกรนด์มาสเตอร์ได้ลดลงอย่างมีนัยสำคัญตั้งแต่ปี 1950 และในปัจจุบันมีอยู่เกือบ 30 ผู้เล่นที่กลายเป็นแกรนด์มาสเตอร์ก่อนวันเกิดปีที่ อย่างไรก็ตามมีคำถามเกี่ยวกับ Chess Stack Exchange ที่ถามว่าอายุเฉลี่ยของการเป็นปรมาจารย์คืออะไร? . มีคนโพสต์คำตอบที่เขา (ฉันคิดว่ามันเป็นเขา) ดูที่หกส่วนย่อยของ grandmasters และพบผลลัพธ์ต่อไปนี้: สำหรับผู้เล่นที่เกิดหลังปี 1945 ค่าเฉลี่ยจะสูงกว่า 26 ปีเล็กน้อย สำหรับผู้เล่นที่เกิดหลังปี 1970 ค่าเฉลี่ยจะสูงกว่า 23 ปีเล็กน้อย สำหรับผู้เล่นที่เกิดหลังปี 1975 ค่าเฉลี่ยจะสูงกว่าอายุ 22 ปีเล็กน้อย สำหรับผู้เล่นที่เกิดหลังปี 1980 ค่าเฉลี่ยอยู่ที่ 21 ปี สำหรับผู้เล่นที่เกิดหลังปี 1985 ค่าเฉลี่ยจะขี้อายเพียง 20 ปี สำหรับผู้เล่นที่เกิดหลังปี 2533 อายุเฉลี่ย 18.5 ปี (ยังไม่ชัดเจนสำหรับฉันเลยว่ากลุ่มแรกมีgrandmasters ทั้งหมดที่เกิดหลังปี 1945 (ซึ่งทำให้มันเป็น …

11 survival  bias  population  censoring  subset 

ฉันเจอเกมนี้ในคอมพิวเตอร์และต้องการเรียนรู้เพิ่มเติมเกี่ยวกับพฤติกรรมของมัน มันมาจากการตัดสินใจว่าเหตุการณ์บางอย่างควรเกิดขึ้นหลังจากการกระทำของผู้เล่นจำนวนหนึ่งหรือไม่ รายละเอียดนอกเหนือจากนี้ไม่เกี่ยวข้อง ดูเหมือนว่าเหมาะสมกับสถานการณ์อื่น ๆ และฉันพบว่ามันน่าสนใจเพราะง่ายต่อการคำนวณและสร้างหางยาว ทุกขั้นตอนเกมสร้างตัวเลขสุ่มเครื่องแบบ&lt;1 ถ้าเหตุการณ์จะถูกเรียกใช้ หลังจากเหตุการณ์เกิดขึ้นอีกครั้งเกมจะรีเซ็ตn = 0และทำงานตามลำดับอีกครั้ง ฉันสนใจเพียงเหตุการณ์เดียวที่เกิดขึ้นสำหรับปัญหานี้เพราะนั่นหมายถึงการกระจายที่เกมใช้อยู่ (นอกจากนี้คำถามใด ๆ เกี่ยวกับเหตุการณ์หลายรายการสามารถตอบด้วยแบบจำลองเหตุการณ์เดียว)0 ≤ X &lt; 1 X &lt; p ( n ) n = 0nnn0≤X&lt;10≤X&lt;10 \leq X < 1X&lt;p(n)X&lt;p(n)X < p(n)n=0n=0n = 0 "ความผิดปกติ" หลักที่นี่คือพารามิเตอร์ความน่าจะเป็นในการแจกแจงนี้เพิ่มขึ้นเมื่อเวลาผ่านไปหรืออีกทางหนึ่งเกณฑ์เพิ่มขึ้นเมื่อเวลาผ่านไป ในตัวอย่างมันเปลี่ยนแปลงเป็นเส้นตรง แต่ฉันคิดว่าอาจใช้กฎอื่น หลังจากnnnขั้นตอนหรือการกระทำโดยผู้ใช้ p(n)=knp(n)=kn p(n) = kn สำหรับบางคนคง0&lt;k&lt;10&lt;k&lt;10 < k < 1&lt;1 …

11 probability  distributions  survival  discrete-data 

ฉันมีโมเดล Cox PH ต่อไปนี้: (เวลา, กิจกรรม) ~ X + Y + Z ฉันต้องการที่จะได้รับอันตรายจากการคาดการณ์อัตรา (ฉันพูดคุยเกี่ยวกับอัตราการเกิดอันตรายไม่อัตราส่วนอันตราย) ได้รับค่าเฉพาะของX, ,Y Zฉันรู้ว่าแพ็คเกจ muhaz Rสามารถคำนวณอัตราอันตรายที่สังเกตได้ แต่ฉันสนใจในแบบจำลองที่ทำนายไว้ มีวิธีทำเช่นนี้ใน R หรือไม่?

11 r  survival  hazard  cox-model 

ถ้าฉันสมมุติว่าลายเซ็นของยีนจะระบุตัวตนที่มีความเสี่ยงต่ำของการเกิดซ้ำนั่นคือลดลง 0.5 (อัตราส่วนอันตราย 0.5) อัตราการเกิดเหตุการณ์ใน 20% ของประชากรและฉันตั้งใจจะใช้ตัวอย่างจากการศึกษาแบบย้อนหลัง ขนาดตัวอย่างจะต้องมีการปรับสำหรับตัวเลขที่ไม่เท่ากันในสองกลุ่มสมมติฐาน? ตัวอย่างเช่นการใช้ Collett, D: Modeling Data Survival ในการวิจัยทางการแพทย์, Second Edition - 2nd Edition 2003 จำนวนทั้งหมดของเหตุการณ์ที่ต้องการ, d, สามารถพบได้โดยใช้, d=(Zα/2+Zβ/2)2p1p2(θR)2d=(Zα/2+Zβ/2)2p1p2(θR)2\begin{equation} d = \frac{(Z_{\alpha/2} + Z_{\beta/2})^2}{p_1 p_2 (\theta R)^2} \end{equation} โดยที่และเป็นจุดสูงสุดและตอนบนตามลำดับของการแจกแจงแบบปกติมาตรฐานZα/2Zα/2Z_{\alpha/2}Zβ/2Zβ/2Z_{\beta/2}α/2α/2\alpha/2β/2β/2\beta/2 สำหรับค่าเฉพาะ p1=0.20p1=0.20p_1 = 0.20 p2=1−p1p2=1−p1p_2 = 1 - p_1 θR=−0.693θR=−0.693\theta R = -0.693 α=0.05α=0.05\alpha = …

11 survival  power-analysis  genetics 

ฉันสงสัยว่าฉันจะจำลองตัวอย่างของอายุการใช้งานการแจกจ่าย Weibull ได้อย่างไรซึ่งรวมถึงการสังเกตการณ์ที่ถูกตรวจสอบด้วย Type I ตัวอย่างเช่นให้มี n = 3, รูปร่าง = 3, มาตราส่วน = 1 และอัตราการเซ็นเซอร์ = .15, และเวลาการเซ็นเซอร์ = .88 ฉันรู้วิธีสร้างตัวอย่าง Weibull แต่ฉันไม่ทราบวิธีการสร้างข้อมูลเซ็นเซอร์ที่มีการเซ็นเซอร์ประเภทขวาฉันใน R T = rweibull(3, shape=.5, scale=1)

11 r  survival  simulation  random-generation 

เกี่ยวกับการให้คะแนนความชอบ (IPTW) เมื่อทำแบบจำลองความเป็นอันตรายตามสัดส่วนของ Cox ของข้อมูลการรอดชีวิตแบบเวลาต่อเหตุการณ์: ฉันมีข้อมูลรีจิสทรีในอนาคตที่เราสนใจที่จะดูผลการรักษาของยาซึ่งโดยส่วนใหญ่แล้วผู้ป่วยจะได้รับข้อมูลพื้นฐาน ฉันไม่แน่ใจว่าจะวิเคราะห์ข้อมูลได้ดีที่สุดอย่างไร อาจเป็นไปได้ว่าตัวแปรพื้นฐานบางตัวมีระดับที่ได้รับอิทธิพลจากการรักษาและไม่ใช่วิธีอื่น ๆ (เช่นผู้ให้บริการชีวภาพบางราย) ฉันหลงทางนิดหน่อยว่า covariates ใดที่ฉันควรรวมไว้ในแบบจำลองคะแนนความชอบสำหรับการประเมินน้ำหนักและสิ่งที่ฉันควรจะรวมเป็น covariates ในcoxphรูปแบบ (ถ้ามี) คำแนะนำในทิศทางที่ถูกต้องจะเป็นประโยชน์! ฉันยังไม่สามารถค้นหาวรรณกรรมเกี่ยวกับเรื่องนี้ในการสร้างแบบจำลองของ CoxPh ได้ในตอนนี้ ฉันคิดว่าโควาเรียที่เป็นตัวแทนของการรักษาที่มีพื้นฐานที่ว่า (อาจ) มีอิทธิพลต่อผลลัพธ์ควรรวมอยู่ใน Cox PH covariates แต่ฉันไม่แน่ใจในเรื่องนี้ ฉันจะทราบได้อย่างไรว่าควรรวมตัวแปรตัวใดเป็นโควาเรียต์ในโมเดล Cox แทนที่จะใช้ในการคำนวณน้ำหนักคะแนนความชอบ? คำถามติดตาม ฉันเข้าใจปัญหาที่สืบทอดมาของการประเมินผลการรักษาของการแทรกแซงบางอย่างที่ได้เริ่มขึ้นแล้ว - นั่นคือแพร่หลายในหมู่ผู้ป่วยก่อนที่จะเริ่มการสังเกต ทั้งในเรื่องที่เกี่ยวกับการแนะนำอคติที่เกี่ยวข้องกับการเปลี่ยนแปลงเวลาของความเสี่ยง (เช่นผลข้างเคียงที่พบบ่อยในปีแรกของการบำบัด) และเพื่อนร่วมทุนที่ได้รับผลกระทบจากการรักษา หากฉันไม่เข้าใจผิดนี่เป็นข้อเสนอที่เป็นสาเหตุของความคลาดเคลื่อนระหว่างการสังเกตและการสุ่มว่าเกี่ยวกับหัวใจและหลอดเลือดและการบำบัดทดแทนฮอร์โมน ในชุดข้อมูลของฉันในอีกทางหนึ่งเราสนใจที่จะดูผลกระทบที่อาจเกิดขึ้นจากการรักษา ถ้าฉันใช้การปรับคะแนนความชอบเพื่อตรวจสอบผลการรักษาในหมู่ผู้ใช้ที่แพร่หลายเช่นการใช้ยาก่อนการสังเกตในข้อมูลกลุ่มและเราสังเกตเห็นผลข้างเคียงของการรักษาด้วยยา (และนี่คือสิ่งที่เรากำลังมองหา) ฉันสามารถแยกแยะความเป็นไปได้ที่จะประเมินความเสี่ยงที่เกี่ยวข้องกับการรักษามากเกินไปได้หรือไม่? คือตราบใดที่ความเสี่ยงนั้นเพิ่มขึ้นอย่างมีนัยสำคัญมันเป็น "แน่นอน" ที่สุดที่ไม่ได้ป้องกัน? ฉันไม่สามารถจินตนาการถึงตัวอย่างที่ความลำเอียงชนิดนี้สามารถแนะนำการประเมินค่าความเสี่ยงสูงเกินไปของการเชื่อมโยงความเสี่ยงที่ผิดพลาดในบริบทนี้

11 r  survival  cox-model  propensity-scores 

ฉันกำลังอ่านหนังสือเกี่ยวกับการวิเคราะห์ความอยู่รอดและหนังสือเรียนส่วนใหญ่ระบุว่า h(t)=limΔt→0P(t&lt;T≤t+Δt|T≥t)Δt=f(t)1−F(t)(1)h(t)=limΔt→0P(t&lt;T≤t+Δt|T≥t)Δt=f(t)1−F(t)(1)h(t)= \lim_{ \Delta t \rightarrow 0} \frac{P(t < T \leq t+\Delta t |T \geq t )}{ \Delta t} =\frac{f(t)}{1-F(t)} (1) เมื่อh(t)h(t)h(t)คืออัตราความอันตราย f(t)=limΔt→0P(t&lt;T≤t+Δt)Δt(2)f(t)=limΔt→0P(t&lt;T≤t+Δt)Δt(2)f(t)=\lim_{\Delta t \rightarrow 0} \frac{P(t < T \leq t+\Delta t)}{ \Delta t}(2)ฟังก์ชันความหนาแน่น F(t)=Pr(T&lt;t)(3)F(t)=Pr(T&lt;t)(3)F(t)=Pr(Tt)=1-F(t) (4) พวกเขายังกล่าวว่า S(t)=e−∫t0h(s)ds(5)S(t)=e−∫0th(s)ds(5)S(t)= e^{- \int_0^t h(s)ds } (5) หนังสือเรียนส่วนใหญ่ (อย่างน้อยที่ฉันมี) ไม่แสดงหลักฐานสำหรับ (1) หรือ (5) ฉันคิดว่าฉันสามารถผ่าน …

11 survival 

ฉันยังใหม่กับการวิเคราะห์การเอาชีวิตรอดและเมื่อเร็ว ๆ นี้ฉันได้เรียนรู้ว่ามีวิธีที่แตกต่างในการทำเพื่อให้ได้เป้าหมายที่แน่นอน ฉันสนใจในการนำไปใช้จริงและความเหมาะสมของวิธีการเหล่านี้ ฉันได้รับการนำเสนอด้วยCox Proportional-Hazards , โมเดลเวลาความล้มเหลวเร่งความเร็วและเครือข่ายประสาท (multilayer perceptron) เป็นวิธีการที่จะทำให้ผู้ป่วยรอดชีวิตจากการได้รับเวลาสถานะและข้อมูลทางการแพทย์อื่น ๆ การศึกษานี้ได้รับการกล่าวถึงในอีกห้าปีข้างหน้าและเป้าหมายคือการให้ความเสี่ยงต่อการอยู่รอดในแต่ละปีเพื่อให้มีการบันทึกใหม่ ฉันพบสองอินสแตนซ์ที่มีวิธีอื่นที่เลือกไว้เหนือ Cox PH: ฉันพบ " วิธีรับการทำนายในแง่ของเวลาการเอาชีวิตรอดจากโมเดล Cox PH " และได้มีการกล่าวไว้ว่า: หากคุณมีความสนใจโดยเฉพาะอย่างยิ่งในการได้รับการประเมินความน่าจะเป็นของการอยู่รอดที่จุดเวลาโดยเฉพาะอย่างยิ่งผมจะชี้ให้คุณไปสู่รูปแบบการอยู่รอดพารา (เวลาในการเร่ง aka ความล้มเหลว) สิ่งเหล่านี้ถูกนำมาใช้ในแพ็คเกจการเอาตัวรอดสำหรับ R และจะให้การแจกแจงเวลาการอยู่รอดแบบอิงพารามิเตอร์ซึ่งคุณสามารถเสียบเวลาที่คุณสนใจและกลับมาเป็นความอยู่รอดได้ ฉันไปที่เว็บไซต์ที่แนะนำและพบว่าหนึ่งในsurvivalแพคเกจ - survregฟังก์ชั่น เครือข่ายประสาทถูกแนะนำในความคิดเห็นนี้ : ... ข้อดีอย่างหนึ่งของวิธีการวิเคราะห์การอยู่รอดของโครงข่ายใยประสาทคือพวกมันไม่ได้ใช้สมมติฐานที่รองรับการวิเคราะห์ Cox ... อีกคนที่มีคำถามว่า " โมเดลเครือข่ายนิวรัลกับเวกเตอร์เป้าหมายเป็นผลลัพธ์ที่มีการทำนายการรอดชีวิต " เป็นวิธีที่ละเอียดถี่ถ้วนในการพิจารณาความอยู่รอดในเครือข่ายประสาทและ Cox PH รหัส R สำหรับการเอาตัวรอดจะเป็นดังนี้: mymodel …

10 r  machine-learning  survival  neural-networks  cox-model 

ฉันมีข้อมูลเกี่ยวกับชุดของการชนะและแพ้การเดิมพันมากกว่า 5 รอบของการเดิมพันพร้อมการขัดสีหลังแต่ละรอบ ฉันใช้แผนผังการตัดสินใจดังต่อไปนี้เพื่อแสดงข้อมูล โหนไปทางด้านบนของแผนภูมิคือผู้ที่มีการเดิมพันชนะและที่ด้านล่างของแผนภูมิจะมีการสูญเสียเดิมพัน ฉันต้องการดู (a) การขัดสีที่แต่ละโหนด (b) การเปลี่ยนแปลงขนาดการเดิมพันเฉลี่ยที่แต่ละโหนด ฉันกำลังดูอัตราการขัดสีที่แต่ละโหนดจากโหนดก่อนหน้าและอัตราการรอดชีวิต (ใช้จำนวนคนที่คาดหวังในแต่ละโหนดถ้าความน่าจะเป็น 50%) ตัวอย่างเช่นหากความน่าจะเป็นคือ 50% ที่แต่ละโหนดจาก 1,000 ที่เริ่มต้นประมาณ 500 คนควรอยู่ในแต่ละโหนดที่สอง W และ L สมมติฐานคือ (a) อัตราการขัดสีสูงกว่าหลังจากสูญเสีย การเดิมพัน (b) หมายถึงขนาดการเดิมพันจะลดลงหลังจากผู้แพ้และเพิ่มขึ้นหลังจากผู้ชนะ ฉันแค่ต้องการทำสิ่งนี้ในบรรยากาศที่เรียบง่ายแบบ univariate ก่อน ฉันจะทดสอบ t-test เพื่อแสดงการเปลี่ยนแปลงของขนาดการเดิมพันเฉลี่ยจากโหนด WW เป็นโหนด WWW มีนัยสำคัญทางสถิติได้อย่างไรหากมีคน 50 คนออกไปแล้ว ฉันไม่แน่ใจว่านี่เป็นวิธีการที่ถูกต้อง: การเดิมพันแต่ละครั้งมีความเป็นอิสระ แต่ผู้คนต่างออกไปหลังจากผู้แพ้ดังนั้นตัวอย่างจะไม่ตรงกัน หากเป็นกรณีของชั้นเรียนเดียวกันที่ใช้ชุดการทดสอบแบบหนึ่งต่อเนื่องกันโดยไม่มีการเลื่อนออกไปฉันจะเข้าใจวิธีการทดสอบแบบทดสอบที่เหมาะสม แต่ฉันคิดว่านี่แตกต่างกันเล็กน้อย ฉันจะทำสิ่งนี้ได้อย่างไร นอกจากนี้หากผลลัพธ์มีการบิดเบือนจากลูกค้าจำนวนน้อยฉันจะลบ 5% แรกและ …

10 t-test  survival  panel-data  time-varying-covariate 

ตัวอย่างง่ายๆสมมติว่ามีตัวแบบถดถอยเชิงเส้นสองแบบ รุ่นที่ 1 มีสามทำนาย, x1a, x2bและx2c แบบจำลอง 2 มีตัวทำนายสามตัวจากแบบจำลอง 1 และสองตัวทำนายเพิ่มเติมx2aและx2b มีสมการถดถอยที่ประชากรประชากรแปรปรวนอธิบายคือเป็น สำหรับรุ่นที่ 1 และρ 2 ( 2 )สำหรับรุ่น 2. แปรปรวนเพิ่มขึ้นอธิบายโดยรุ่น 2 ในประชากรที่อยู่Δ ρ 2 = ρ 2 ( 2 ) - ρ 2 ( 1 )ρ2(1)ρ(1)2\rho^2_{(1)}ρ2(2)ρ(2)2\rho^2_{(2)}Δρ2=ρ2(2)−ρ2(1)Δρ2=ρ(2)2−ρ(1)2\Delta\rho^2 = \rho^2_{(2)} - \rho^2_{(1)} ฉันสนใจในการได้รับข้อผิดพลาดมาตรฐานและช่วงความเชื่อมั่นสำหรับประมาณการของ 2 ในขณะที่ตัวอย่างเกี่ยวข้องกับตัวทำนาย 3 และ 2 ตามลำดับความสนใจงานวิจัยของฉันเกี่ยวข้องกับตัวทำนายจำนวนต่าง ๆ (เช่น …

10 regression  confidence-interval  estimation  r-squared  shrinkage  anova  t-test  references  tukey-hsd  machine-learning  boosting  r  clustering  fishers-exact  generalized-linear-model  model  probit  link-function  r  survival  probability  distributions  dice  logistic  lme4-nlme  glmm  meta-analysis  distributions  distributions  factor-analysis  r  anova  repeated-measures  post-hoc 

survivalแพคเกจในการRปรากฏขึ้นที่จะมุ่งเน้นในรูปแบบเวลาการอยู่รอดอย่างต่อเนื่อง ฉันสนใจที่จะประเมินรุ่นเวลาที่ไม่ต่อเนื่องของโมเดลความเป็นอันตรายตามสัดส่วนซึ่งเป็นรูปแบบบันทึกการใช้งานเสริม ฉันมีรูปแบบการเอาชีวิตรอดที่ค่อนข้างตรงไปตรงมาพร้อมการตัดสิทธิ์ที่เรียบง่าย ฉันรู้ว่าวิธีหนึ่งในการประเมินโมเดลนี้คือการสร้างชุดข้อมูลที่มีแถวแยกต่างหากสำหรับแต่ละการสังเกตสำหรับแต่ละช่วงเวลาที่ไม่ใช่ "ตาย" จากนั้นสามารถใช้glmโมเดลที่มีcloglogลิงก์ วิธีการนี้ดูเหมือนไม่มีประสิทธิภาพของหน่วยความจำมาก ที่จริงแล้วมันน่าจะสร้างชุดข้อมูลที่ใหญ่เกินไปสำหรับหน่วยความจำในเครื่องของฉัน วิธีที่สองคือการเขียนโค้ด MLE ด้วยตัวเอง นั่นจะง่ายพอ แต่ฉันหวังว่าจะมีแพ็คเกจที่มีโมเดลการเอาตัวรอดนี้ มันจะง่ายขึ้นสำหรับการทำงานร่วมกันและเพื่อหลีกเลี่ยงข้อผิดพลาดในการเขียนโปรแกรมเพื่อใช้แพคเกจ ไม่มีใครรู้แพคเกจดังกล่าวหรือไม่

10 r  survival 

ฉันกำลังสร้างแบบจำลองผลกระทบของการตั้งครรภ์ต่อผลลัพธ์ของโรค (ตายแล้ว) ประมาณ 40% ของผู้ป่วยตั้งครรภ์หลังจากการวินิจฉัย - แต่ในเวลาต่างกัน จนถึงตอนนี้ฉันได้ทำการแปลง KM แสดงผลการป้องกันที่ชัดเจนของการตั้งครรภ์ต่อการอยู่รอดและรูปแบบคอคส์ทั่วไป - อย่างไรก็ตามสิ่งเหล่านี้ได้รับการสร้างแบบจำลองโดยใช้ตัวแปรการตั้งครรภ์แบบแบ่งขั้วคู่เท่านั้นและสมมติว่า ตั้งแต่เวลามัธยฐานถึงการตั้งครรภ์คือ 4 ปีจากการวินิจฉัย แบบจำลองชนิดใดที่จะดูดซับผลกระทบของการตั้งครรภ์หลายครั้ง ณ เวลาต่าง ๆ หลังการวินิจฉัย? มันจะถูกต้องหรือไม่ที่จะสร้างแบบจำลองการตั้งครรภ์ที่มีปฏิสัมพันธ์กับเวลา (ซึ่งจะต้องมีการสร้างข้อมูลที่ร้ายแรง - ซอฟต์แวร์อัตโนมัติใด ๆ ที่สามารถช่วยสิ่งนี้ได้) หรือมีกลยุทธ์การสร้างแบบจำลองที่เป็นที่นิยมสำหรับปัญหาเหล่านี้ กลยุทธ์การวางแผนที่ต้องการสำหรับปัญหาเหล่านี้คืออะไร

10 survival 

ถ้าฉันมีข้อมูลการรอดชีวิตปลอดโรค (นิยามว่าโรคนั้นได้รับการวินิจฉัยหรือไม่พร้อมกับเวลาของเหตุการณ์หรือการสูญเสียในการติดตาม) และข้อมูลการรอดชีวิตโดยรวมฉันจะจัดการกับความตายที่เกิดขึ้นได้อย่างไร เหตุการณ์โรค? มีการเซ็นเซอร์เหล่านี้หรือไม่หรือฉันควรแยกผู้ป่วยดังกล่าวออกจากการวิเคราะห์ความอยู่รอดปลอดโรค (dfs)? ฉันวางแผนที่จะเรียกใช้การวิเคราะห์ dfs สำหรับโรคบางชนิดแยกต่างหาก

10 regression  survival  epidemiology