Запитання з тегом «hazard»

Скажімо, у мене є набір даних "нирковий катетер". Я намагаюся моделювати криву виживання за допомогою моделі Кокса. Якщо я розглядаю модель Кокса: мені потрібна оцінка базової небезпеки. Використовуючи вбудовану функцію пакета R , я легко можу це зробити так:h(t,Z)=h0exp(b′Z),h(t,Z)=h0exp⁡(b′Z),h(t,Z) = h_0 \exp(b'Z),survivalbasehaz() library(survival) data(kidney) fit <- coxph(Surv(time, status) ~ age …

20 r  cox-model  hazard 

Я намагаюся провести дискретний аналіз виживання часу за допомогою логістичної регресійної моделі, і я не впевнений, що повністю розумію цей процес. Я б дуже вдячний за допомогу з кількома основними питаннями. Ось налаштування: Я дивлюся на членство в групі протягом п'ятирічного періоду. Кожен член має щомісячний облік членства за кожен …

18 survival  discrete-data  hazard  kaplan-meier 

Я студент-медик, який намагається зрозуміти статистику (!) - тож будь ласка, будь ласка! ;) Я пишу есе, що містить неабияку кількість статистичного аналізу, включаючи аналіз виживання (регрес Каплана-Мейєра, Регрес-Рейтингу та Кокса). Я провів регрес Кокса за своїми даними, намагаючись з’ясувати, чи можу я виявити значну різницю між смертністю пацієнтів у …

17 regression  survival  hazard 

Одним із способів узагальнити порівняння двох кривих виживань є обчислення коефіцієнта небезпеки (HR). Існують (принаймні) два способи обчислення цього значення. Метод Логранка. У рамках обчислень Каплана-Мейєра обчисліть кількість спостережуваних подій (як правило, випадків смерті) у кожній групі ( і O b ), а також кількість очікуваних подій, припускаючи нульову гіпотезу …

17 survival  hazard 

Я намагаюся отримати інтуїцію щодо кожної з основних функцій в актуарній науці (спеціально для моделі пропорційних ризиків Кокса). Ось що я маю досі: f(x)f(x)f(x) : починаючи з часу початку, розподілу ймовірності, коли ви помрете. F(x)F(x)F(x) : просто кумулятивний розподіл. На часTTT , який відсоток населення буде мертвим? S(x)S(x)S(x) :1−F(x)1−F(x)1-F(x) . …

17 probability  survival  hazard 

Мене плутає рівняння, яке служить визначенням рівня небезпеки. Я розумію, що таке рівень небезпеки, але я просто не бачу, як рівняння виражає цю інтуїцію. Якщо - випадкова величина, яка представляє момент часу смерті когось на часовому інтервалі . Тоді рівень небезпеки:xxx[0,T][0,T][0,T] h(x)=f(x)1−F(x)h(x)=f(x)1−F(x)h(x)=\frac{f(x)}{1-F(x)} Там , де не представляє собою ймовірність смерті …

16 survival  intuition  hazard 

В одному документі, що описує результати аналізу виживання, я прочитав твердження, з якого випливає, що коефіцієнт небезпеки (HR) можна перевести у співвідношення середнього часу виживання ( та ) за допомогою формули:M 2M1M1M_1M2M2M_2 HR=M1M2HR=M1M2HR = \frac{M_1}{M_2} Я впевнений, що це не вдається, коли не можна прийняти пропорційну модель небезпеки (оскільки нічого …

15 survival  hazard 

Я роблю пропорційну регресію небезпеки Кокса в R coxph, яка включає багато змінних. Залишки Мартингейла виглядають чудово, а залишки Шенфельда чудово підходять для всіх змінних. Існує три змінні, залишки яких по Шенфельду не є плоскими, а природа змінних така, що має сенс, що вони могли змінюватися з часом. Це змінні, …

15 r  model  cox-model  hazard  schoenfeld-residuals 

Я читав деякі статті, і мені незрозуміло конкретні визначення середнього ефекту від лікування (ATE) та граничного ефекту від лікування (MTE). Вони однакові? За словами Остіна ... Умовний ефект - це середній ефект на предметному рівні переміщення предмета від необробленого до обробленого. Коефіцієнт регресії для змінної індикатора призначення лікування з багатовимірної …

14 causality  hazard  propensity-scores  marginal-effect  marginal-model 

Я працюю над класичною проблемою прогнозування холону, використовуючи кількість відвідувань певного користувача на сайт, і я вважав, що Пуассонова регресія - це правильний інструмент для моделювання майбутнього залучення цього користувача. Тоді я натрапив на книгу про аналіз виживання та моделювання небезпеки, і я не знаю, яка методика найкраща. Я не …

13 survival  hazard  poisson-process 

У мене є така модель Cox PH: (Час, подія) ~ X + Y + Z Я хотів би отримати оцінки небезпеки швидкості (я говорю про швидкостях небезпеки НЕ небезпеки коефіцієнтів) дано конкретні значення X, Y, Z. Я знаю, що пакунок muhaz R може розрахувати спостережувані показники небезпеки, але мене цікавить …

11 r  survival  hazard  cox-model 

Я читаю статтю, де показано коефіцієнти небезпеки для безперервних змінних, але не знаю, як інтерпретувати задані значення. Моє сучасне розуміння коефіцієнтів небезпеки полягає в тому, що число представляє відносну ймовірність [події] за певної умови. Напр .: якщо коефіцієнт небезпеки від смерті від раку легенів від куріння (бінарний випадок) становить 2, …

10 continuous-data  hazard 

У логістичній регресії коефіцієнт шансів 2 означає, що подія в 2 рази більш вірогідна, якщо врахувати прогноз на один одиницю. У регресії Кокса коефіцієнт небезпеки 2 означає, що подія відбуватиметься вдвічі частіше в кожний момент часу, враховуючи прогнозування на один одиницю. Це практично не те саме? У чому ж тоді …

10 logistic  cox-model  odds-ratio  hazard 

Це лише приклад, на який я зустрічався кілька разів, тому у мене немає даних про вибірку. Запуск лінійної регресійної моделі в R: a.lm = lm(Y ~ x1 + x2) x1є суцільною змінною. x2категоричний і має три значення, наприклад "Низький", "Середній" та "Високий". Однак вихід, отриманий R, був би на кшталт: …

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 

Отже, у мене є 16 випробувань, в яких я намагаюся ідентифікувати людину з біометричної ознаки за допомогою дистанції Hamming. Мій поріг встановлено на 3,5. Мої дані нижче, і лише пробна версія 1 - справжнє Позитивне: Trial Hamming Distance 1 0.34 2 0.37 3 0.34 4 0.29 5 0.55 6 0.47 …

9 mathematical-statistics  roc  classification  cross-validation  pac-learning  r  anova  survival  hazard  machine-learning  data-mining  hypothesis-testing  regression  random-variable  non-independent  normal-distribution  approximation  central-limit-theorem  interpolation  splines  distributions  kernel-smoothing  r  data-visualization  ggplot2  distributions  binomial  random-variable  poisson-distribution  simulation  kalman-filter  regression  lasso  regularization  lme4-nlme  model-selection  aic  r  mcmc  dlm  particle-filter  r  panel-data  multilevel-analysis  model-selection  entropy  graphical-model  r  distributions  quantiles  qq-plot  svm  matlab  regression  lasso  regularization  entropy  inference  r  distributions  dataset  algorithms  matrix-decomposition  regression  modeling  interaction  regularization  expected-value  exponential  gamma-distribution  mcmc  gibbs  probability  self-study  normality-assumption  naive-bayes  bayes-optimal-classifier  standard-deviation  classification  optimization  control-chart  engineering-statistics  regression  lasso  regularization  regression  references  lasso  regularization  elastic-net  r  distributions  aggregation  clustering  algorithms  regression  correlation  modeling  distributions  time-series  standard-deviation  goodness-of-fit  hypothesis-testing  statistical-significance  sample  binary-data  estimation  random-variable  interpolation  distributions  probability  chi-squared  predictor  outliers  regression  modeling  interaction