আর-তে সময় নির্ভর সহগ - এটি কীভাবে করবেন?

Question

আপডেট : অন্য আপডেটের জন্য দুঃখিত তবে আমি ভগ্নাংশের বহুপদী এবং প্রতিযোগিতামূলক ঝুঁকি-প্যাকেজের সাথে কিছু সম্ভাব্য সমাধান পেয়েছি যার সাথে আমার কিছু সহায়তা দরকার।

---

সমস্যাটি

আমি কোনও সময় নির্ভর সহগ বিশ্লেষণটি আর এ করার সহজ উপায়টি খুঁজে পাচ্ছি না I

$\beta_{my\_variable}=\beta_0+\beta_1*t+\beta_2*t^2...$

সম্ভাব্য সমাধান

1) ডেটাসেট বিভক্ত করা

আমি তাকিয়েছি এই উদাহরণটি (ল্যাব সেশনের ২ য় অংশ) তবে আলাদা একটি ডেটাসেট তৈরি করা জটিল, গণনা ব্যয়বহুল এবং খুব স্বজ্ঞাত নয় বলে মনে হচ্ছে ...

2) হ্রাস র‌্যাঙ্কের মডেলগুলি - কক্সভিসি প্যাকেজ

Coxvc প্যাকেজ সমস্যা সাথে ডিল করার একটি মার্জিত উপায় প্রদান করে - এখানে একটি ব্যাপার ম্যানুয়াল । সমস্যাটি হ'ল লেখক আর প্যাকেজটি বিকাশ করছেন না (শেষ সংস্করণটি 05/23/2007 সাল থেকে) কিছু ইমেল কথোপকথনের পরে আমি প্যাকেজটি কাজ করতে পেরেছি তবে আমার ডেটাসেটে এক রান লেগেছিল 5 ঘন্টা (140 000) এন্ট্রি) এবং পিরিয়ড শেষে চরম অনুমান দেয়। আপনি এখানে সামান্য আপডেট প্যাকেজ পেতে পারেন - আমি বেশিরভাগই সবেমাত্র প্লটের কার্যকারিতা আপডেট করেছি।

এটি কেবল টুইট করার প্রশ্ন হতে পারে তবে যেহেতু সফ্টওয়্যারটি সহজেই আত্মবিশ্বাসের ব্যবধান সরবরাহ করে না এবং প্রক্রিয়াটি এতটা সময়সাপেক্ষ তাই আমি অন্যান্য সমাধানে এখনই দেখছি।

3) টাইমরেগ প্যাকেজ

চিত্তাকর্ষক টাইমারেজ প্যাকেজটিও সমস্যার সমাধান করে তবে আমি কীভাবে এটি ব্যবহার করব সে সম্পর্কে আমি নিশ্চিত নই এবং এটি আমাকে একটি মসৃণ প্লট দেয় না।

4) ভগ্নাংশ বহু বহু সময় (এফপিটি) মডেল

আমি "সময়ের মূল্যায়ন - চিকিত্সা এবং প্রগনোস্টিক কারণগুলির দীর্ঘমেয়াদী প্রভাবগুলি" সময়ের উপর অনিকা বুচহলজের দুর্দান্ত গবেষণামূলক সন্ধান পেয়েছি যা বিভিন্ন মডেলকে কভার করে একটি দুর্দান্ত কাজ করে। তিনি উপসংহারে পৌঁছেছেন যে সৌরব্রেই এট আল এর প্রস্তাবিত এফপিটি সময় নির্ভর নির্ভর সহগের জন্য সবচেয়ে উপযুক্ত বলে মনে হচ্ছে:

সময়-পরিবর্তিত প্রভাবগুলি সনাক্ত করতে এফপিটি খুব ভাল, যখন হ্রাস র‌্যাঙ্কের পদ্ধতির ফলে খুব জটিল মডেল তৈরি হয়, কারণ এতে সময়-পরিবর্তিত প্রভাবগুলির নির্বাচন অন্তর্ভুক্ত নয়।

গবেষণাটি খুব সম্পূর্ণ বলে মনে হচ্ছে তবে এটি আমার কাছে ধরাছোঁয়ার বাইরে। আমিও কিছুটা ভাবছি যেহেতু সে সৌরব্রির সাথে কাজ করতে পারে। যদিও এটির শব্দটি দুর্দান্ত বলে মনে হচ্ছে এবং এমপিপি প্যাকেজটি দিয়ে বিশ্লেষণটি করা যেতে পারে বলে আমি মনে করি তবে কীভাবে তা নিশ্চিত তা আমি নিশ্চিত নই।

5) cmprsk প্যাকেজ

আমি আমার প্রতিযোগিতামূলক ঝুঁকি বিশ্লেষণ করার কথা ভাবছিলাম কিন্তু গণনাগুলি সময় সাপেক্ষ হয়ে যায় তাই আমি নিয়মিত কক্স রিগ্রেশনটিতে চলে যাই। CRR সময় নির্ভরশীল covariates জন্য একটি বিকল্প thoug আছে:

....
cov2        matrix of covariates that will be multiplied 
            by functions of time; if used, often these 
            covariates would also appear in cov1 to give 
            a prop hazards effect plus a time interaction
....

চতুর্ভুজ উদাহরণ আছে কিন্তু আমি সময়টি আসলে উপস্থিত হয় যেখানে আমি পুরোপুরি অনুসরণ না এবং এটি প্রদর্শন করার জন্য আমি নিশ্চিত নই। আমি টেস্ট.আর ফাইলটিও দেখেছি তবে উদাহরণটি মূলত একই ...

আমার উদাহরণ কোড

এখানে একটি উদাহরণ যা আমি বিভিন্ন সম্ভাবনার পরীক্ষার জন্য ব্যবহার করি

library("survival")
library("timereg")
data(sTRACE)

# Basic cox regression    
surv <- with(sTRACE, Surv(time/365,status==9))
fit1 <- coxph(surv~age+sex+diabetes+chf+vf, data=sTRACE)
check <- cox.zph(fit1)
print(check)
plot(check, resid=F)
# vf seems to be the most time varying

######################################
# Do the analysis with the code from #
# the example that I've found        #
######################################

# Split the dataset according to the splitSurv() from prof. Wesley O. Johnson
# http://anson.ucdavis.edu/~johnson/st222/lab8/splitSurv.ssc
new_split_dataset = splitSuv(sTRACE$time/365, sTRACE$status==9, sTRACE[, grep("(age|sex|diabetes|chf|vf)", names(sTRACE))])

surv2 <- with(new_split_dataset, Surv(start, stop, event))
fit2 <- coxph(surv2~age+sex+diabetes+chf+I(pspline(stop)*vf), data=new_split_dataset)
print(fit2)

######################################
# Do the analysis by just straifying #
######################################
fit3 <- coxph(surv~age+sex+diabetes+chf+strata(vf), data=sTRACE)
print(fit3)

# High computational cost!
# The price for 259 events
sum((sTRACE$status==9)*1)
# ~240 times larger dataset!
NROW(new_split_dataset)/NROW(sTRACE)

########################################
# Do the analysis with the coxvc and   #
# the timecox from the timereg library #
########################################
Ft_1 <- cbind(rep(1,nrow(sTRACE)),bs(sTRACE$time/365,df=3))
fit_coxvc1 <- coxvc(surv~vf+sex, Ft_1, rank=2, data=sTRACE)

fit_coxvc2 <- coxvc(surv~vf+sex, Ft_1, rank=1, data=sTRACE)

Ft_3 <- cbind(rep(1,nrow(sTRACE)),bs(sTRACE$time/365,df=5))
fit_coxvc3 <- coxvc(surv~vf+sex, Ft_3, rank=2, data=sTRACE)

layout(matrix(1:3, ncol=1))
my_plotcoxvc <- function(fit, fun="effects"){
    plotcoxvc(fit,fun=fun,xlab='time in years', ylim=c(-1,1), legend_x=.010)
    abline(0,0, lty=2, col=rgb(.5,.5,.5,.5))
    title(paste("B-spline =", NCOL(fit$Ftime)-1, "df and rank =", fit$rank))
}
my_plotcoxvc(fit_coxvc1)
my_plotcoxvc(fit_coxvc2)
my_plotcoxvc(fit_coxvc3)

# Next group
my_plotcoxvc(fit_coxvc1)

fit_timecox1<-timecox(surv~sex + vf, data=sTRACE)
plot(fit_timecox1, xlab="time in years", specific.comps=c(2,3))

কোডগুলি এই গ্রাফগুলিতে ফলাফল: coxvc এবং coxvc এবং টাইমকক্স প্লটের বিভিন্ন সেটিংসের তুলনা । আমার ধারণা ফলাফলগুলি ঠিক আছে তবে আমি মনে করি না আমি টাইমকক্স গ্রাফটি ব্যাখ্যা করতে সক্ষম হব - এটি জটিল বলে মনে হচ্ছে ...

আমার (বর্তমান) প্রশ্ন

• আমি কীভাবে এফপিটি বিশ্লেষণ করব?
• আমি cmprsk এ সময় covariate কীভাবে ব্যবহার করব?
• আমি কীভাবে ফলাফলটি প্লট করব (অগ্রাধিকারের আত্মবিশ্বাসের অন্তর দিয়ে)?

Comments

$y=x\beta_{my}$$y=x\beta_0+x\cdot t\beta_1+x\cdot t^2\beta_2$y~xy~x*(t+t^2)-ty~x+x:t+x:t^2

আমি দ্বিতীয় অংশটি ভেবেছিলাম: "২. মডেল নির্ধারিত সময়-নির্ভর কোভেরিয়েটস চেক টু পিএইচ অনুমান" আমার প্রশ্নের সমাধান করার অংশ হবে। আপনি যে সূত্রটি বর্ণনা করেছেন আমি তার কিছু করার প্রত্যাশা করছিলাম তবে যখন আমি এটি চেষ্টা করেছি তখন হয় ত্রুটি বা পৃথক সময়ের পরিবর্তনশীল ... আমি সময়ের জন্য কম পি-মান পেয়েছি :

— ম্যাক্স গর্ডন

@ সর্বাধিক গর্ডন, আপনার প্রতিক্রিয়াটি কি পরিমাণে ভেরিয়েবল হয়, বা এমনকি সময় না কাটা পর্যন্ত সময় অতিবাহিত হয়? কারণ আপনি যে পদ্ধতিগুলি উল্লেখ করেছেন তার বেশিরভাগই বিশেষত সময় থেকে ইভেন্টের ডেটার জন্য।

— f1r3br4nd

@ f1r3br4nd: এটি এমন একটি পরিমাণ (আমার গবেষণায় বয়স) যেখানে বিপত্তিটি আনুপাতিক নয়, অর্থাত আমার সময়ের-ইভেন্ট ইভেন্টে এটি সময়ের সাথে পরিবর্তিত হয়। শেষ পর্যন্ত আমি সিদ্ধান্ত নিয়েছিলাম দুটি ভিন্ন টাইম-ফ্রেমে বিভক্ত হয়ে যাব কারণ 3-ডি গ্রাফ করে আমাকে শিহরিত করা হয়নি - যা পর্যালোচকদের কখনই পাস করতে পারত না ...

— ম্যাক্স গর্ডন

সময় নির্ভর / পরিবর্তিত ভবিষ্যদ্বাণী এবং সময় মিথস্ক্রিয়া মধ্যে পার্থক্য আছে। বেশিরভাগ ভেরিয়েবল সময় নির্ভর (যৌন ব্যতিক্রম)। আপনার যদি জনপ্রতি একটি পর্যবেক্ষণ থাকে তবে আপনার কাছে সময় নির্ভর / বিবিধ বিশ্লেষণ করার সামান্য বা সুযোগ থাকবে না। অ্যান্ডারসন-গিলের পদ্ধতি সময়-নির্ভর বেঁচে থাকার বিশ্লেষণের জন্য সবচেয়ে বেশি ব্যবহৃত হয়। সময় নির্ভর পদ্ধতির সুবিধা হ'ল ফলোআপ চলাকালীন মানগুলি বেসলাইন মানগুলির চেয়ে বেঁচে থাকার অভিজ্ঞতার আরও পূর্বাভাস হতে পারে। দ্বিতীয় পরিস্থিতি, সময়ের সাথে কথা বলার পূর্বাভাসকারীরা কেবল পিএইচ অনুমানের পরীক্ষা।

— অ্যাডাম রবিনসন

Answer 1

@ এমপিক্টাস একটি সম্ভাব্য মডেল সরবরাহের কাছাকাছি এসেছিলেন, তবে যে শব্দটি = 4 টাইমে চতুর্ভুজটির জন্য ব্যবহার করা দরকার তা হবে I(t^2))। এটি তাই কারণ আর এ "^" এর সূত্র ব্যাখ্যার সাথে ইন্টারঅ্যাকশন তৈরি হয় এবং ক্ষয়ক্ষতি ঘটে না, সুতরাং "t" এর সাথে "t" এর মিথস্ক্রিয়াটি কেবল "t"। (এটি কি [এস] ট্যাগ দিয়ে এসও-তে স্থানান্তরিত হওয়া উচিত নয়?)

এই প্রক্রিয়াটির বিকল্পগুলির জন্য, যা অনুমানের উদ্দেশ্যে আমার কাছে কিছুটা সন্দেহজনক বলে মনে হচ্ছে এবং হ্যারেলের আরএমএস / এইচএমস্ক প্যাকেজগুলিতে সহায়ক ফাংশনগুলি ব্যবহার করতে আপনার আগ্রহের সাথে খাপ খায় এমন একটি, হ্যারেলের "রেগ্রেশন মডেলিং কৌশলগুলি" দেখুন। তিনি উল্লেখ করেছেন (তবে কেবল পাস করার ক্ষেত্রে তিনি নিজের কয়েকটি কাগজপত্র উদ্ধৃত করেছেন) স্প্লাইন নির্মাণ বাথটব-আকৃতির বিপদগুলির মডেলটির জন্য সময় স্কেলের সাথে খাপ খায়। প্যারাম্যাট্রিক বেঁচে থাকার মডেলগুলির বিষয়ে তাঁর অধ্যায়টি আনুপাতিক বিপদ অনুমানগুলি যাচাই করার জন্য এবং সময় স্কেলের আনুমানিক লগ-হ্যাজার্ড এফেক্টগুলির লাইনারিটি পরীক্ষা করার জন্য বিভিন্ন চক্রান্ত কৌশল বর্ণনা করে।

সম্পাদনা: একটি অতিরিক্ত বিকল্প হ'ল coxph"সময়-রূপান্তর ফাংশনগুলির listচ্ছিক তালিকা" হিসাবে বর্ণিত 's' টিটি 'প্যারামিটারটি ব্যবহার করা।

Comments

আমি সম্মত হই যে এটি সম্ভবত এসও [র] ট্যাগে সরিয়ে নেওয়া উচিত।

— জাচ

আপনার উত্তরের জন্য +1, আমি জানতাম না যে এটি এত কঠিন উত্তর দেবে। এটি একটি সাধারণ সমস্যার মতো বলে মনে হচ্ছে, সম্ভবত প্রশ্নটি কোডিংয়ের চেয়ে বেশি প্রশ্ন এবং আপনি সম্ভবত আরও ভাল পছন্দ হওয়ার বিষয়ে সঠিক হতে পারেন। আমি আপনার সূত্রটি দেখেছি বলে মনে হচ্ছে যে ভিএফ + আই (ভিএফ লগ (সময়)) একটি দুর্দান্ত ফিট রয়েছে, আমি কেবল ভিএফ সময় এবং ভিএফ * সময় ^ 2 চেষ্টা করেছি তবে লগটি সর্বনিম্ন পি-মান দিয়েছিল। আমি এআইসি পেতে সিএফএফ () ফাংশন দিয়ে এটি চালানোর চেষ্টা করেছি তবে এটি একটি ত্রুটি দিয়েছে :( অনুমানের উপর কীভাবে প্লট করবেন তা সম্পর্কে আপনার কোনও ধারণা আছে?

— ম্যাক্স গর্ডন

আমি ভেবেছিলাম যে check <- cox.zph(fit1); print(check); plot(check, resid=F)আপনার সেট আপ হিসাবে সময় "প্রভাব" এর তথ্যমূলক প্লট দিয়েছে। আপনি কি সিএফ () বোঝাতে চেয়েছেন যা আরএমএস প্যাকেজ থেকে এসেছে বা বেঁচে থাকা কক্সফো?

— ডিওয়িন

হ্যাঁ, শোএনফিল্ডের অবশিষ্টাংশগুলি সময়ের পরিবর্তনের একটি দুর্দান্ত ধারণা দেয় তবে আমি মনে করি এটি বুঝতে অসুবিধা হতে পারে লোকেরা। প্লটটি আমি যেমন বুঝতে পেরেছি তা দেয় আমার মডেল দ্বারা ব্যাখ্যা করা হয়নি id আমি চাই যে একটি প্লট যেখানে আমার এক্স অক্ষের উপর ওয়াই অক্ষ এবং সময় সম্পর্কে সম্পূর্ণ পরিবর্তনশীল প্রভাব রয়েছে, আমি বিশ্বাস করি যে এটি ব্যাখ্যা করা আরও সহজ হবে যেহেতু আপনাকে টেবিল এবং প্লট উভয়ই দেখতে হবে না interpret বিপদে সময় নির্দিষ্ট সময়ে পৌঁছানোর জন্য ... হ্যাঁ আমি সিএফ () এবং কক্সবা () না বোঝাতে চাইছি কারণ এটি এআইসি () এর সাথে কাজ করে না

— ম্যাক্স গর্ডন

আমি আমার প্রশ্নে বর্ণিত সমস্ত জটিল পদ্ধতিগুলি কেন খুঁজে পেয়েছি তা সম্পর্কে আমি কিছুটা বিভ্রান্ত হয়েছি যদিও এই আমি (পরিবর্তনশীল * সময়) খুব সোজা এগিয়ে এবং স্বজ্ঞাত বলে মনে করি - একটি অ-পরিসংখ্যানবিদ হিসাবে আমি ভাবছি - আমি কী মিস করেছি ?

— ম্যাক্স গর্ডন

Answer 2

@ DWin এর বা @ Zach- এর উত্তরগুলির মধ্যে যেমন উত্তর-সময় পরিবর্তিত সহগের মডেল করা যায় তার পুরোপুরি উত্তর না দিয়ে আমি এর উত্তর পরিবর্তন করেছি। আমি সম্প্রতি এই সম্পর্কে একটি পোস্ট লিখেছি । এখানে এর সংক্ষেপে।

কক্স রিগ্রেশন মডেলের মূল ধারণা হ'ল বিপদ ফাংশন ,$h(t)$

$$h(t) = \frac{f(t)}{S(t)}$$

যেখানে $f(t)$ যে কোনও সময়ে ইভেন্ট হওয়ার ঝুঁকি $S(t)$যে ভাড়া বেঁচে থাকার সম্ভাবনা হ'ল। সংখ্যাটি তাত্ত্বিক ব্যাপ্তির সাথে ভগ্নাংশ$0$ প্রতি $\infty$।

বিপদ কার্যকারিতার একটি আকর্ষণীয় বৈশিষ্ট্য হ'ল আমরা সময়ের তুলনায় অন্যান্য পয়েন্টগুলিতে পর্যবেক্ষণগুলি অন্তর্ভুক্ত করতে পারি $time_0$উদাহরণস্বরূপ, যদি "পিটার" ইংল্যান্ডের একটি হিপ আর্থ্রোপ্লাস্টি দিয়ে পরিচালিত হয়, 1 বছর পরে সুইডেনে আসে, যখন আমরা তাকে অন্তর্ভুক্ত করার সিদ্ধান্ত নিই তখন তিনি 1 বছর বেঁচে আছেন। উল্লেখ্য যে এর আগে যে কোনও রোগী মারা গিয়েছিলেন তা কখনই আমাদের নজরে আসেনি এবং আমরা পিটারকে এর মধ্যে অন্তর্ভুক্ত করতে পারি না$S(t)$যখন 1 বছর আগে বিপত্তি তাকান। 1 বছর পরে আমরা পিটারকে অন্তর্ভুক্ত করতে পারি।

বিষয়গুলি অন্য সময়ে পয়েন্টগুলিতে প্রবেশ করার সময় আমাদের অবশ্যই তা Survথেকে পরিবর্তন Surv(time, status)করতে হবে Surv(start_time, end_time, status)। যদিও end_timeদৃঢ়ভাবে ফলাফল সঙ্গে সম্পর্কিত start_timeএখন একটি মিথস্ক্রিয়া শব্দ (ঠিক যেমন মূল প্রস্তাবনা দেয় hinted) হিসাবে পাওয়া যায়। নিয়মিত সেটিংয়ে start_time0 থাকে যা পরে প্রকাশিত কয়েকটি বিষয় বাদে তবে আমরা প্রতিটি পর্যবেক্ষণকে বেশ কয়েকটি সময়কালে বিভক্ত করি যে হঠাৎ আমাদের প্রচুর শুরুর সময় শূন্য নয়। পার্থক্যটি হ'ল প্রতিটি পর্যবেক্ষণ একাধিকবার ঘটে যেখানে সর্বশেষ পর্যবেক্ষণে সেন্সরবিহীন ফলাফলের বিকল্প রয়েছে।

অনুশীলনে সময় বিভাজন

আমি স্রেফ গ্রেগ প্যাকেজটি CRAN এ প্রকাশ করেছি যা এই সময়ের বিভক্তিকে সহজ করে তোলে । প্রথমে আমরা কিছু তাত্ত্বিক পর্যবেক্ষণ দিয়ে শুরু করি:

library(Greg)
test_data <- data.frame(
  id = 1:4,
  time = c(4, 3.5, 1, 5),
  event = c("censored", "dead", "alive", "dead"),
  age = c(62.2, 55.3, 73.7, 46.3),
  date = as.Date(
    c("2003-01-01", 
      "2010-04-01", 
      "2013-09-20",
      "2002-02-23"))
)

আমরা * ঘটনাটির সূচক হয়ে গ্রাফিকভাবে এটি প্রদর্শিত করতে পারি:

আমরা যদি timeSplitterনিম্নলিখিত হিসাবে প্রয়োগ করি :

library(dplyr)
split_data <- 
  test_data %>% 
  select(id, event, time, age, date) %>% 
  timeSplitter(by = 2, # The time that we want to split by
               event_var = "event",
               time_var = "time",
               event_start_status = "alive",
               time_related_vars = c("age", "date"))

আমরা নিম্নলিখিত পেতে:

আপনি দেখতে পাচ্ছেন যে প্রতিটি বস্তুকে একাধিক ইভেন্টে বিভক্ত করা হয়েছে যেখানে সর্বশেষ সময়কালের আসল ইভেন্টের স্থিতি রয়েছে। এটি আমাদের এখন এমন এমন মডেলগুলি তৈরি করতে দেয় যাগুলির মধ্যে সহজ :ইন্টারঅ্যাকশন শর্তাদি রয়েছে (এটি *যেমন প্রসারিত হয় তা ব্যবহার করবেন না time + var + time:varএবং প্রতি সে সময়ের জন্য আমরা আগ্রহী নই)। I()ফাংশনটি ব্যবহার করার দরকার নেই যদিও আপনি সময়ের সাথে অরৈখিকতা পরীক্ষা করতে চাইলে আমি প্রায়শই একটি পৃথক সময়-মিথস্ক্রিয়া পরিবর্তনশীল তৈরি করি যা আমি একটি স্প্লিন যুক্ত করি এবং তারপরে ব্যবহার করে প্রদর্শন করি rms::contrast। যাইহোক, আপনার রিগ্রেশন কলটি এখন দেখতে এইরকম হওয়া উচিত:

coxp(Surv(start_time, end_time, event) ~ var1 + var2 + var2:time, 
     data = time_split_data)

বেঁচে থাকার প্যাকেজের ttফাংশনটি ব্যবহার করে

ttফাংশনটি ব্যবহার করে সরাসরি বেঁচে থাকার প্যাকেজে সময় নির্ভর নির্ভর সহগের মডেল করার একটি উপায়ও রয়েছে । প্রফেসর Therneau তার বিষয় করার জন্য একটি পুঙ্খানুপুঙ্খ ভূমিকা প্রদান করে চিত্র । দুর্ভাগ্যক্রমে বড় ডেটাসেটে মেমরির সীমাবদ্ধতার কারণে এটি করা শক্ত। দেখে মনে হচ্ছে যে ttফাংশনটি সময়টিকে খুব সূক্ষ্ম টুকরো টুকরো টুকরো করে প্রক্রিয়ায় বিশাল ম্যাট্রিক্স তৈরি করে।

Answer 3

আপনি রোলিং উইন্ডোর মাধ্যমে লিনিয়ার রিগ্রেশন চালনার জন্য পারফরম্যান্স অ্যানালিটিক্সে প্রয়োগ.রোলিং ফাংশনটি ব্যবহার করতে পারেন যা আপনার সহগের সাথে সময়ের সাথে আলাদা হতে দেয়।

উদাহরণ স্বরূপ:

library(PerformanceAnalytics)
library(quantmod)
getSymbols(c('AAPL','SPY'), from='01-01-1900')
chart.RollingRegression(Cl(AAPL),Cl(SPY), width=252, attribute='Beta')
#Note: Alpha=y-intercept, Beta=regression coeffient

এটি অন্যান্য ফাংশনগুলির সাথেও কাজ করে।

Comments

আপনার উত্তরের জন্য আপনাকে ধন্যবাদ, আমি অনুমান করি একটি চলন্ত সময় উইন্ডোটি ঠিক আমার পদ্ধতির পাশাপাশি কাজ করা উচিত। আমি চালানোর জন্য আপনার উদাহরণটি পেতে পারি না, আপনি কি আমার এসটিআরএসি উদাহরণের উপর ভিত্তি করে একটি উদাহরণ দিতে পারেন যাতে আমি এটি বাস্তবায়ন করতে পারি ঠিক কীভাবে জানতে পারি?

— ম্যাক্স গর্ডন