predict.coxph()
Tüm öngörücü değişkenleri için numune ortalamasına göre tehlike oranını hesaplar . Faktörler, her zamanki gibi ortalaması hesaplanabilen kukla tahminlere dönüştürülür. Cox PH modelinin log-hazard ln h ( t ) için doğrusal bir model olduğunu hatırlayın :plnh(t)
lnh(t)=lnh0(t)+β1X1+⋯+βpXp=lnh0(t)+Xβ
Burada belirtilmemiş temel tehlike. Eşdeğer, tehlike h ( t ) olarak modellenmiştir h ( t ) = h 0 ( t ) ⋅ E β 1 x 1 + ⋯ + β p x p = h 0 ( t ) ⋅ E X- β . İki kişi arasındaki risk oranı i ve I ' belirleyici değerleri ileh0(t)h(t)h(t)=h0(t)⋅eβ1X1+⋯+βpXp=h0(t)⋅eXβii′ ve X i ' zaman bu şekilde taban tehlike bağımsız ve bağımsızt:XiXi′t
hi(t)hi′(t)=h0(t)⋅eXiβh0(t)⋅eXi′β=eXiβeXi′β
Kişiler arasında hesaplanan tehlike oran için ve i ' , sadece katsayı tahminleri takın b 1 , ... , b p içinii′b1,…,bp , veren e X i b ve e X i ' b .β1,…,βpeXibeXi′b
R'de bir örnek olarak, çok güzel bir tanıtım metni sağlayan Cox-PH modelindeki John Fox'un ekindeki verileri kullanıyorum . İlk olarak, verileri getiriyoruz ve serbest bırakılan mahkumların tutuklanması için basit bir Cox-PH modeli oluşturuyoruz ( fin
: faktör - kukla kodlama ile mali yardım aldı "no"
-> 0, "yes"
-> 1 age
,: serbest bırakılma sırasındaki yaş, prio
: önceki mahkumiyet sayısı):
> URL <- "http://socserv.mcmaster.ca/jfox/Books/Companion/data/Rossi.txt"
> Rossi <- read.table(URL, header=TRUE) # our data
> Rossi[1:3, c("week", "arrest", "fin", "age", "prio")] # looks like this
week arrest fin age prio
1 20 1 no 27 3
2 17 1 no 18 8
3 25 1 no 19 13
> library(survival) # for coxph()
> fitCPH <- coxph(Surv(week, arrest) ~ fin + age + prio, data=Rossi) # Cox-PH model
> (coefCPH <- coef(fitCPH)) # estimated coefficients
finyes age prio
-0.34695446 -0.06710533 0.09689320
Şimdi, tahmincilerimiz için örnek ortalamaları formülüne ekliyoruz:eXb
meanFin <- mean(as.numeric(Rossi$fin) - 1) # average of financial aid dummy
meanAge <- mean(Rossi$age) # average age
meanPrio <- mean(Rossi$prio) # average number of prior convictions
rMean <- exp(coefCPH["finyes"]*meanFin # e^Xb
+ coefCPH["age"] *meanAge
+ coefCPH["prio"] *meanPrio)
Şimdi ilk 4 kişinin öngörücü değerlerini formülüne ekliyoruz.eXb
r1234 <- exp(coefCPH["finyes"]*(as.numeric(Rossi[1:4, "fin"])-1)
+ coefCPH["age"] *Rossi[1:4, "age"]
+ coefCPH["prio"] *Rossi[1:4, "prio"])
Şimdi ilk 4 kişi için rölatif riski örnek ortalamasına göre hesaplayın ve çıktı ile karşılaştırın predict.coxph()
.
> r1234 / rMean
[1] 1.0139038 3.0108488 4.5703176 0.7722002
> relRisk <- predict(fitCPH, Rossi, type="risk") # relative risk
> relRisk[1:4]
1 2 3 4
1.0139038 3.0108488 4.5703176 0.7722002
Tabakalı bir modeliniz varsa, karşılaştırma, predict.coxph()
ortalamaların karşısındadır, bu reference
, yardım sayfasında açıklanan seçenekle kontrol edilebilir .