«survival» etiketlenmiş sorular

Formun bir GLMM var: lmer(present? ~ factor1 + factor2 + continuous + factor1*continuous + (1 | factor3), family=binomial) Kullandığımda , araç paketinden veya drop1(model, test="Chi")kullandığımdan farklı sonuçlar alıyorum . Bu son ikisi aynı cevapları verir.Anova(model, type="III")summary(model) Bir grup uydurma veri kullanarak, bu iki yöntemin normalde farklı olmadığını gördüm. Dengeli doğrusal …

10 r  anova  glmm  r  mixed-model  bootstrap  sample-size  cross-validation  roc  auc  sampling  stratification  random-allocation  logistic  stata  interpretation  proportion  r  regression  multiple-regression  linear-model  lm  r  cross-validation  cart  rpart  logistic  generalized-linear-model  econometrics  experiment-design  causality  instrumental-variables  random-allocation  predictive-models  data-mining  estimation  contingency-tables  epidemiology  standard-deviation  mean  ancova  psychology  statistical-significance  cross-validation  synthetic-data  poisson-distribution  negative-binomial  bioinformatics  sequence-analysis  distributions  binomial  classification  k-means  distance  unsupervised-learning  euclidean  correlation  chi-squared  spearman-rho  forecasting  excel  exponential-smoothing  binomial  sample-size  r  change-point  wilcoxon-signed-rank  ranks  clustering  matlab  covariance  covariance-matrix  normal-distribution  simulation  random-generation  bivariate  standardization  confounding  z-statistic  forecasting  arima  minitab  poisson-distribution  negative-binomial  poisson-regression  overdispersion  probability  self-study  markov-process  estimation  maximum-likelihood  classification  pca  group-differences  chi-squared  survival  missing-data  contingency-tables  anova  proportion 

Üstel veya Weibull dağılımı için ortalama hayatta kalma süresinin nasıl bulunacağını gösteren bol miktarda formül buldum, ancak log-normal hayatta kalma fonksiyonları için önemli ölçüde daha az şansım var. Aşağıdaki hayatta kalma fonksiyonu göz önüne alındığında: S( t ) = 1 - ϕ [ ln( t ) - μσ]S(t)=1-φ[ln⁡(t)-μσ]S(t) = 1 …

10 survival 

Birkaç Cox regresyon modeli oluşturdum ve bu modellerin ne kadar iyi performans gösterdiğini görmek istiyorum ve belki de bu makalelerin kullanımına benzer bir ROC eğrisi veya c-istatistiği yararlı olabilir: JN Armitage och JH van der Meulen, “Kraliyet Cerrahlar Koleji Charlson Skoru ile idari veriler kullanan cerrahi hastalarda ko-morbiditenin belirlenmesi”, British …

10 r  survival  roc 

Hayatta kalma analizini ve yaşam verileri analizini duydum, ancak büyük resmi göremiyorum. Hangi konuları kapsadıklarını merak ediyordum? Saf istatistikler mi, yoksa sadece belirli bir alanda istatistiklerin uygulanması mı? Yaşam tarihi analizi hayatta kalma analizinin bir parçası mı? Teşekkürler ve saygılar!

10 survival  mathematical-statistics 

Orantılı tehlike varsayımını Cox PH modelleri bağlamında test ettiğimin farkındayım, ancak parametrik modellerle ilgili bir şeyle karşılaşmadım mı? Belirli parametrik modellerin PH varsayımını test etmenin uygulanabilir bir yolu var mı? Parametrik modellerin yarı parametrik Cox modellerinden sadece biraz farklı olduğu düşünülmelidir? Örneğin, bir Gompertz mortalite eğrisine uymak istersem (aşağıdaki gibi), …

10 survival  assumptions  proportional-hazards 

bağlam R'nin coxph () yönteminin nesneler için tekrarlanan girdileri (veya isterseniz hasta / müşteri) nasıl kabul ettiğini ve işlediğini anlamaya çalışıyorum. Bazıları bu Uzun formatı, bazıları ise 'tekrarlanan önlemler' olarak adlandırır. Örneğin, Yanıtlar bölümünde Kimlik sütununu içeren veri kümesine bakın: Değişen değişkenlere sahip Cox modelleri için en iyi paketler Ayrıca, …

10 r  repeated-measures  survival  cox-model  frailty 

Hayatta kalma analizi yapmanın yanlış yolu nedeniyle reddedilen bir makale gönderdim. Hakem, “zaman eğilimlerine ilişkin hayatta kalma analizi daha karmaşık sansür yolları gerektirir” dışında başka hiçbir ayrıntı veya açıklama bırakmadı. Soru: Son yıllarda sigara içenler arasında aşırı ölüm riski azaldı mı? Veri: Almanya'da 25.000 sigara içicisi. 1995-2014 yılları arasında herhangi …

10 regression  survival  incidence-rate-ratio  interval-censoring 

R'de ayrık zamanlı bir model yerleştirmeye çalışıyorum, ancak nasıl yapılacağından emin değilim. Bağımlı değişkeni farklı satırlarda, her bir zaman gözlemi için bir tane düzenleyebileceğinizi ve glmbir logit veya cloglog bağlantısıyla işlevi kullanabileceğinizi okudum. Bu anlamda, üç sütun vardır: ID, Event(her zaman atıl 1 ya da 0) ve Time Elapsedek olarak, …

10 r  survival  pca  sas  matlab  neural-networks  r  logistic  spatial  spatial-interaction-model  r  time-series  econometrics  var  statistical-significance  t-test  cross-validation  sample-size  r  regression  optimization  least-squares  constrained-regression  nonparametric  ordinal-data  wilcoxon-signed-rank  references  neural-networks  jags  bugs  hierarchical-bayesian  gaussian-mixture  r  regression  svm  predictive-models  libsvm  scikit-learn  probability  self-study  stata  sample-size  spss  wilcoxon-mann-whitney  survey  ordinal-data  likert  group-differences  r  regression  anova  mathematical-statistics  normal-distribution  random-generation  truncation  repeated-measures  variance  variability  distributions  random-generation  uniform  regression  r  generalized-linear-model  goodness-of-fit  data-visualization  r  time-series  arima  autoregressive  confidence-interval  r  time-series  arima  autocorrelation  seasonality  hypothesis-testing  bayesian  frequentist  uninformative-prior  correlation  matlab  cross-correlation 

Bu sadece birkaç kez karşılaştığım bir örnektir, bu yüzden örnek verilerim yok. R'de doğrusal regresyon modeli çalıştırmak: a.lm = lm(Y ~ x1 + x2) x1sürekli bir değişkendir. x2kategoriktir ve üç değeri vardır, örneğin "Düşük", "Orta" ve "Yüksek". Bununla birlikte, R tarafından verilen çıktı aşağıdaki gibi olacaktır: summary(a.lm) Estimate Std. Error …

10 r  regression  categorical-data  regression-coefficients  categorical-encoding  machine-learning  random-forest  anova  spss  r  self-study  bootstrap  monte-carlo  r  multiple-regression  partitioning  neural-networks  normalization  machine-learning  svm  kernel-trick  self-study  survival  cox-model  repeated-measures  survey  likert  correlation  variance  sampling  meta-analysis  anova  independence  sample  assumptions  bayesian  covariance  r  regression  time-series  mathematical-statistics  graphical-model  machine-learning  linear-model  kernel-trick  linear-algebra  self-study  moments  function  correlation  spss  probability  confidence-interval  sampling  mean  population  r  generalized-linear-model  prediction  offset  data-visualization  clustering  sas  cart  binning  sas  logistic  causality  regression  self-study  standard-error  r  distributions  r  regression  time-series  multiple-regression  python  chi-squared  independence  sample  clustering  data-mining  rapidminer  probability  stochastic-processes  clustering  binary-data  dimensionality-reduction  svd  correspondence-analysis  data-visualization  excel  c#  hypothesis-testing  econometrics  survey  rating  composite  regression  least-squares  mcmc  markov-process  kullback-leibler  convergence  predictive-models  r  regression  anova  confidence-interval  survival  cox-model  hazard  normal-distribution  autoregressive  mixed-model  r  mixed-model  sas  hypothesis-testing  mediation  interaction 

Tekrarlanan ikili sonuçları kullanarak bir olay analizi ile uğraşmaya çalışıyorum. Etkinlik zamanının gün cinsinden ölçüldüğünü, ancak şu an için süreyi haftalara ayırdık. Tekrarlanan ikili sonuçları kullanarak bir Kaplan-Meier tahmincisine yaklaşmak istiyorum (fakat ortak değişkenlere izin vermek). Bu, dolambaçlı bir yol gibi görünecek, ancak bunun sıradan sonuçlara ve tekrarlayan olaylara nasıl …

9 mixed-model  survival  random-effects-model  recurrent-events 

R'de kanser hastalarının sağkalım veri analizini yapıyorum. CrossValidated ve diğer yerlerde hayatta kalma analizi hakkında çok yararlı şeyler okudum ve Cox regresyon sonuçlarını nasıl yorumlayacağımı anladığımı düşünüyorum. Ancak, bir sonuç hala beni rahatsız ediyor ... Hayatta kalma ile cinsiyet karşılaştırıyorum. Kaplan-Meier eğrileri kadın hastalar için açıktır (Eklediğim efsanenin doğru olduğunu, …

9 r  survival  cox-model  kaplan-meier 

Cox orantılı tehlike modelinden sağkalım eğrisini nasıl yorumluyorsunuz? Bu oyuncak örneğinde, verilerdeki agedeğişken üzerinde bir cox orantılı tehlike modelimiz olduğunu kidneyve hayatta kalma eğrisini oluşturduğumuzu varsayalım . library(survival) fit <- coxph(Surv(time, status)~age, data=kidney) plot(conf.int="none", survfit(fit)) grid() Örneğin, zamanında hangi ifade doğrudur? ya da her ikisi de yanlış mı?200200200 Bildirim 1:% …

9 r  survival  cox-model  likelihood  machine-learning  deep-learning  generative-models  machine-learning  reinforcement-learning  q-learning  regression  multicollinearity  convergence  beta-distribution  bernoulli-distribution  machine-learning  self-study  pattern-recognition  neural-networks  stochastic-processes  linear 

Hayatta Kalma Analizinde, bir rv hayatta kalma süresinin katlanarak dağıtıldığını . Ben şimdi düşünüldüğünde iid RV ait "çıktıları" . Bu sonuçların sadece bir kısmı aslında "tamamen gerçekleşir", yani geriye kalan gözlemler hala "canlıdır".XiXiX_ix1,…,xnx1,…,xnx_1,\dots,x_nXiXiX_i Dağılımın rate parametresi için bir ML tahmini yapmak istersem, gerçekleştirilmeyen gözlemleri tutarlı / uygun bir şekilde nasıl …

9 maximum-likelihood  references  survival  censoring  exponential-family 

Sınıflandırma ve regresyon konusunda biraz bilgim olmasına rağmen, hayatta kalma analizine yeni başladım. Regresyon için MSE ve R kare istatistiklerine sahibiz. Fakat hayatta kalma model A'nın bazı grafiksel grafiklerin (KM eğrisi) yanı sıra hayatta kalma modeli B'den daha üstün olduğunu nasıl söyleyebiliriz? Mümkünse, lütfen farkı bir örnekle açıklayın (örneğin, R'deki …

9 regression  survival  goodness-of-fit  cart  rpart 

Zamana bağlı ortak değişken içeren Cox orantılı tehlike modelinden sağkalım süresi oluşturmak istiyorum. Model h(t|Xi)=h0(t)exp(γXi+αmi(t))h(t|Xi)=h0(t)exp⁡(γXi+αmi(t))h(t|X_i) =h_0(t) \exp(\gamma X_i + \alpha m_{i}(t)) nerede XiXiX_i Binom'dan (1,0.5) üretilir ve mi(t)=β0+β1Xi+β2Xitmi(t)=β0+β1Xi+β2Xitm_{i}(t)=\beta_0 + \beta_1 X_{i} + \beta_2 X_{i} t. Gerçek parametre değerleri şu şekilde kullanılır: γ=1.5,β0=0,β1=−1,β2=−1.5,h0(t)=1γ=1.5,β0=0,β1=−1,β2=−1.5,h0(t)=1\gamma = 1.5, \beta_0 = 0, \beta_1 = -1, …

9 r  survival  cox-model  time-varying-covariate