拓端tecdat|R语言辅导解释生存分析中危险率和风险率的变化
Posted
tags:
篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了拓端tecdat|R语言辅导解释生存分析中危险率和风险率的变化相关的知识,希望对你有一定的参考价值。
R语言解释生存分析中危险率和风险率的变化
危险率函数
让我们模拟R中的一些数据:
n < - 10000
h < - 0.5
t < - -log(runif(n))/ h
该代码模拟了危险函数的存活时间,即常数。
事件< - 1 *(t <5)
时间< - t
obstime [obstime> = 5] < - 5
现在让我们使用R中的生存包绘制估计的生存函数:
survfit < - survfit(Surv(obstime,event)~1)
Kaplan-Meier
95%置信区间限制非常接近此处的估计线,因为我们已经模拟了具有大样本量的数据集。
累积危险率函数
为了确定危险函数是否在变化,我们可以绘制累积危险函数,
plot(survfit,fun =“cumhaz”)
危险变化
有时危险函数不会是恒定的,这将导致累积危险函数的梯度/斜率随时间变化。
我们现在将再次模拟生存时间 :
highrisk < - 1 *(runif(n)<0.5)
h < - 0.5 + highrisk * 1.5
t < - -log(runif(n))/ h
obstime [obstime> = 5] < - 5
我们再次绘制累积危险函数:
累积危险图,其中样本由50%低风险和50%高风险对象组成
该图的自然解释是受试者经历的危险随着时间的推移而减少,因为累积危险函数的梯度/斜率随时间降低。
改变风险比
在我们比较两组生存率的研究中可能出现同样的问题,例如在比较两种治疗方案的随机试验中。这种比较通常通过估算两组之间的风险比来概括,假设两组的危害比率随着时间的推移是恒定的,使用Cox的比例风险模型。
highrisk < - 1 *(runif(n)<0.5)
治疗< - 1 *(runif(n)<0.5)
t < - -log(runif(n))/ h
事件< - 1 *(t <5)
时间< - t
obstime [obstime> = 5] < - 5
现在让我们分别按治疗组绘制累积危险函数:
如果您有任何疑问,请在下面发表评论。
以上是关于拓端tecdat|R语言辅导解释生存分析中危险率和风险率的变化的主要内容,如果未能解决你的问题,请参考以下文章
拓端tecdat|python辅导基于粒子群优化的投资组合优化研究
拓端tecdat|R语言高维数据惩罚回归方法:主成分回归PCR岭回归lasso弹性网络elastic net分析基因数据
拓端tecdat|R语言编程指导时间序列数据指数平滑法分析交互式动态可视化