Запитання з тегом «survival»

У мене є GLMM форми: lmer(present? ~ factor1 + factor2 + continuous + factor1*continuous + (1 | factor3), family=binomial) Під час використання drop1(model, test="Chi")я отримую інші результати, ніж якщо я використовую Anova(model, type="III")з автомобільного пакета або summary(model). Ці два останні дають однакові відповіді. Використовуючи купу сфабрикованих даних, я виявив, що …

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 

Я знайшов безліч формул, що показують, як знайти середній час виживання для експоненціального або розподілу Вейбулла, але я маю значно менше везіння для функцій нормального виживання журналу. З огляду на наступну функцію виживання: S( t ) = 1 - ϕ [ ln( t ) - μσ]S(t)=1−ϕ[ln⁡(t)−μσ]S(t) = 1 - \phi …

10 survival 

Я створив кілька регресійних моделей Кокса, і я хотів би побачити, наскільки добре працюють ці моделі, і я подумав, що, можливо, крива ROC або c-статистика можуть бути корисні аналогічно використанню цих статей: JN Armitage och JH van der Meulen, "Виявлення супутньої захворюваності у хірургічних пацієнтів за допомогою адміністративних даних з …

10 r  survival  roc 

Я чув про аналіз виживання та аналіз даних про життя, але не дуже розумію. Мені було цікаво, які теми вони висвітлюють? Це чиста статистика, або просто застосування статистики в якійсь конкретній області? Чи є аналіз дати життя частиною аналізу виживання? Дякую та з повагою!

10 survival  mathematical-statistics 

Мені відомо про тестування припущення про пропорційну небезпеку в контексті моделей Cox PH, але я не зустрічав нічого, що стосується параметричних моделей? Чи можливий спосіб перевірити припущення щодо PH для певних параметричних моделей? Схоже, слід враховувати, що параметричні моделі лише трохи відрізняються від напівпараметричних моделей Кокса? Наприклад, якби я хотів …

10 survival  assumptions  proportional-hazards 

Контекст Я намагаюся зрозуміти, як coxph () приймає та обробляє повторні записи для предметів (або пацієнта / замовника, якщо вам зручніше). Одні називають цей формат Лонг, інші називають це «повторними заходами». Дивіться, наприклад, набір даних, що включає стовпчик ідентифікатора в розділі Відповіді за адресою: Найкращі пакети для моделей Cox з …

10 r  repeated-measures  survival  cox-model  frailty 

Я подав статтю, яку відхилили через неправильний спосіб аналізу аналізу виживання. Суддя не залишив інших деталей та пояснень, крім: "Аналіз виживання часових тенденцій вимагає більш складних способів цензури". Питання: Чи зменшився зайвий ризик смерті серед курців за останні десятиліття? Дані: 25 000 курців у Німеччині. Вони були зараховані до когорти …

10 regression  survival  incidence-rate-ratio  interval-censoring 

Я намагаюся вписати в R дискретний час модель, але не знаю, як це зробити. Я читав, що ви можете організувати залежну змінну в різні рядки, по одній для кожного часу спостереження, і використовувати glmфункцію за допомогою посилання logit або cloglog. У цьому сенсі, у мене є три колонки: ID, Event(1 …

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 

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 

Я намагаюся розібратися з аналізом часу до події, використовуючи повторні двійкові результати. Припустимо, що час до події вимірюється днями, але на даний момент ми дискретизуємо час на тижні. Я хочу наблизити оцінювач Каплана-Мейєра (але дозволити коваріати), використовуючи повторні двійкові результати. Це здасться оборотним шляхом, але я досліджую, як це поширюється …

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

У R я роблю аналіз даних про виживання хворих на рак. Я читав дуже корисні матеріали про аналіз виживання в CrossValided та інших місцях і думаю, що зрозумів, як інтерпретувати результати регресії Кокса. Однак один результат все одно мене помиляє ... Я порівнюю виживання проти статі. Криві Каплана-Мейєра явно корисні …

9 r  survival  cox-model  kaplan-meier 

Як ви інтерпретуєте криву виживання з пропорційною моделлю небезпеки Кокса? У цьому прикладі іграшки, припустимо, ми маємо коксову пропорційну модель небезпеки для ageзмінної kidneyданих та генеруємо криву виживання. library(survival) fit <- coxph(Surv(time, status)~age, data=kidney) plot(conf.int="none", survfit(fit)) grid() Наприклад, на час 200200200, яке твердження вірно? або обидва помиляються? Заява 1: у …

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 

В аналізі виживання ви припускаєте, що час виживання rv буде експоненціально розподілений. Враховуючи тепер, що у мене є "результати" iid rv . Тільки деяка частка цих результатів насправді "повністю реалізована", тобто решта спостережень все ще "живі".XiXiX_ix1,…,xnx1,…,xnx_1,\dots,x_nXiXiX_i Якщо я хотів виконати оцінку ML для параметра швидкості розподілу, як я можу використовувати …

9 maximum-likelihood  references  survival  censoring  exponential-family 

Я новачок у аналізі виживання, хоча маю певні знання щодо класифікації та регресії. Для регресії ми маємо статистику MSE та R квадрат. Але як можна сказати, що модель виживання A перевершує модель виживання B, крім деяких графічних графіків (крива КМ)? Якщо можливо, поясніть різницю прикладом (наприклад, пакет rpart в R). …

9 regression  survival  goodness-of-fit  cart  rpart 

Я хочу генерувати час виживання з пропорційною моделлю небезпеки Кокса, яка містить коефіцієнт, залежний від часу. Модель є 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)) де породжується з двочлена (1,0.5) і .XiXiX_imi(t)=β0+β1Xi+β2Xitmi(t)=β0+β1Xi+β2Xitm_{i}(t)=\beta_0 + \beta_1 X_{i} + \beta_2 X_{i} t Справжні значення параметрів використовуються якγ=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 …

9 r  survival  cox-model  time-varying-covariate