কক্স রিগ্রেশন মধ্যে পূর্বাভাস

38

আমি একটি মাল্টিভারিয়েট কক্স রিগ্রেশন করছি, আমার আমার উল্লেখযোগ্য স্বতন্ত্র ভেরিয়েবল এবং বিটা মান রয়েছে। মডেলটি আমার ডেটার সাথে খুব ভাল ফিট করে।

এখন, আমি আমার মডেলটি ব্যবহার করতে এবং একটি নতুন পর্যবেক্ষণের বেঁচে থাকার পূর্বাভাস দিতে চাই। কক্স মডেল দিয়ে এটি কীভাবে করা যায় তা আমি অস্পষ্ট। লিনিয়ার বা লজিস্টিক রিগ্রেশনে এটি সহজ হবে, কেবল নতুন পর্যবেক্ষণের মানগুলিকে রিগ্রেশনে রাখুন এবং সেগুলি বিটার সাথে গুণিত করুন এবং তাই আমার ফলাফল সম্পর্কে ভবিষ্যদ্বাণী রয়েছে have

আমি কীভাবে আমার বেসলাইন বিপদটি নির্ধারণ করতে পারি? পূর্বাভাস গণনা করা ছাড়াও আমার এটি দরকার।

এটি একটি কক্স মডেলে কীভাবে করা হয়?

— Marja
সূত্র

30

কক্স মডেল অনুসরণ করে, কোভারিয়েট ভেক্টর এর সাথে পৃথক জন্য ফর্মটি রয়েছে যেখানে আংশিক সম্ভাবনা সর্বাধিকীকরণের মাধ্যমে পাওয়া যায়, যখন নেলসন-অ্যালেন অনুমানকারী থেকে অনুসরণ করে, সঙ্গে , স্বতন্ত্র ঘটনা কাল ও এ মৃত্যুর সংখ্যা (দেখুন, যেমন, অনুচ্ছেদ 3.6 )। $i$ $x_i$

{\hat{h}}_{i} (t) = {\hat{h}}_{0} (t) \exp (x_{i}^{'} \hat{β}),

$\hat{h}_i(t) = \hat{h}_0(t) \exp(x_i' \hat{\beta}),$

\hat{β}

$\hat{\beta}$

{\hat{h}}_{0}

$\hat{h}_0$

{\hat{h}}_{0} (t_{i}) = \frac{d_{i}}{\sum_{j : t_{j} \geq t_{i}} \exp (x_{j}^{'} \hat{β})}

$\hat{h}_0(t_i) = \frac{d_i}{\sum_{j:t_j \geq t_i} \exp(x_j' \hat{\beta})}$

t_{1}

$t_1$

t_{2}, \dots

$t_2, \dotsc$

d_{i}

$d_i$

t_{i}

$t_i$

একইভাবে, সহ এবং

{\hat{S}}_{i} (t) = {\hat{S}}_{0} (t)^{\exp (x_{i}^{'} \hat{β})}

$\hat{S}_i(t) = \hat{S}_0(t)^{\exp(x_i' \hat{\beta})}$

{\hat{S}}_{0} (t) = \exp (- {\hat{Λ}}_{0} (t))

$\hat{S}_0(t) = \exp(- \hat{\Lambda}_0(t))$

{\hat{Λ}}_{0} (t) = \sum_{j : t_{j} \leq t} {\hat{h}}_{0} (t_{j}) .

$\hat{\Lambda}_0(t) = \sum_{j:t_j \leq t} \hat{h}_0(t_j).$

সম্পাদনা করুন: এই শক্তি এছাড়াও আগ্রহের হতে :-)

— ocram
সূত্র

1

এটি ঠিক আমার প্রশ্ন ... ভবিষ্যদ্বাণীটি সঠিক হতে সক্ষম হতে আমার বেসলাইন বিপজ্জনক ক্রিয়াকলাপের একটি অনুমানের প্রয়োজন? আপনি এটি অনুমান করার জন্য কোন পদ্ধতি জানেন?

— মারজা

2

@ মারজান জ্যাকনিফের পরিবর্তনশীল নির্বাচনের কারণে অনিশ্চয়তা সঠিকভাবে প্রতিফলিত হতে পারে না। বুটস্ট্র্যাপ সঠিকভাবে আরও পরিবর্তনশীলতা দেখায় যাতে ভেরিয়েবলগুলিকে "উল্লেখযোগ্য" হিসাবে লেবেলযুক্ত করা হয়। যদি আপনি একটি "আপেক্ষিক বৈধতা" করতে চান তবে দেখাতে পারেন যে ওভারফিটিংয়ের ক্ষেত্রে সংশোধন করার পরে ভবিষ্যদ্বাণীমূলক বৈষম্য ভাল। এর জন্য বেসলাইন বিপদ নিয়ে কাজ করার দরকার নেই, তবে আপেক্ষিক লগ হ্যাজারিংয়ের প্রাক্কলনকে বৈধতা দিচ্ছে। validateআর ফাংশন rmsসাথে প্যাকেজ cphফাংশন যা করতে হবে। বাস্তবায়িত একমাত্র পদক্ষেপের অ্যালগরিদম validateহ'ল পিছনের ধাপ step

— ফ্র্যাঙ্ক হ্যারেল

1

পূর্বাভাসযুক্ত আপেক্ষিক বিপত্তি (যেমন লিনিয়ার ভবিষ্যদ্বাণী) পাওয়া খুব সহজ। কিন্তু আমি 1991 সালে এসএএস ব্যবহার প্রস্থান

— ফ্রাঙ্ক Harrell

8

লিঙ্কটি মারা গেছে :-(।

— গাং - মনিকা পুনরায়

2

নির্দিষ্ট ব্যক্তির জন্য বেঁচে থাকার সময় টিয়ের পূর্বাভাস দেওয়ার কোনও উপায় আছে কি? আমি বোঝাতে চাইছি যে covariates জন্য মানগুলির একটি তালিকা দেওয়া হয়েছে, সেই সময়ের পরে কীভাবে ব্যক্তি মারা যাওয়ার সম্ভাবনা সবচেয়ে বেশি তা খুঁজে বের করার উপায় কী?

— #Beginner

14

যদি আপনি আর ব্যবহার predictSurvProbকরেন তবে pecপ্যাকেজের ফাংশন আপনাকে বিদ্যমান কক্স মডেলের উপর ভিত্তি করে নতুন ডেটার জন্য নিখুঁত ঝুঁকি অনুমান দিতে পারে।

গাণিতিক বিবরণ আমি ব্যাখ্যা করতে পারি না।

সম্পাদনা: ফাংশনটি বেঁচে থাকার সম্ভাবনা সরবরাহ করে, যা আমি এ পর্যন্ত 1- হিসাবে গ্রহণ করেছি (ইভেন্টের সম্ভাবনা)।

সম্পাদনা 2:

পেক প্যাকেজ ছাড়াই যে কেউ করতে পারে। কেবলমাত্র বেঁচে থাকার প্যাকেজটি ব্যবহার করে, নিম্নলিখিত ফাংশনটি কক্স মডেলের উপর নির্ভর করে নিখুঁত ঝুঁকি প্রদান করে

risk = function(model, newdata, time) {
  as.numeric(1-summary(survfit(model, newdata = newdata, se.fit = F, conf.int = F), times = time)$surv)
}

— Miura
সূত্র

1-বেঁচে থাকার সম্ভাবনা হ'ল সংঘটিত বিপত্তি। আমি মনে করি ওপি তাত্ক্ষণিক বিপত্তি ফাংশন (বেসলাইনের) বা এর কোনও ধরণের স্মুথযুক্ত প্রাক্কলন ( muhazআর এর মধ্যে প্যাকেজগুলি) অনুরোধ করে।

— ইসিআইআই

1

1-বেঁচে থাকার সম্ভাবনাটি संचयी বিপত্তি নয় ard প্রতিযোগিতামূলক ঝুঁকির অভাবে দু'জনই এন.ইউইকিপিডিয়া.আর.উইকি / বি'র বিস্তারিত হিসাবে সংযুক্ত আছেন ।

— মিউরা

1-বেঁচে থাকার সম্ভাবনা = ব্যর্থতার হার (ব্যর্থতার কেবল 1x পদ্ধতি ধরে নেওয়া)। ক্রমবর্ধমান বিপদের সাথে বেঁচে থাকার সম্ভাবনার সম্পর্কটি গৃহীত উত্তরে বর্ণিত হয়েছে: সংক্রামক ঝুঁকিটি S(t)=exp(−Λ(t))কোথায় Λ(t)।

— নিকব্রুনেজেল

11

আপনিও কি এই জাতীয় কিছু চেষ্টা করতে চান? একটি কক্স আনুপাতিক বিপদ মডেল ফিট করুন এবং একটি নতুন উদাহরণের জন্য পূর্বাভাসের বেঁচে থাকার বাঁক পেতে এটি ব্যবহার করুন।

আর- এ বেঁচে থাকা.কক্সের জন্য সাহায্যের ফাইলটি নেওয়া হয়েছে (আমি কেবল লাইনের অংশটি যুক্ত করেছি)

# fit a Cox proportional hazards model and plot the  
# predicted survival for a 60 year old 
fit <- coxph(Surv(futime, fustat) ~ age, data=ovarian) 
plot(survfit(fit, newdata=data.frame(age=60)),
     xscale=365.25, xlab="Years", ylab="Survival", conf.int=F) 
# also plot the predicted survival for a 70 year old
lines(survfit(fit, newdata=data.frame(age=70)),
     xscale=365.25, xlab="Years", ylab="Survival")

আপনার মনে রাখা উচিত যে আনুপাতিক ঝুঁকি অনুমানের জন্য এখনও আপনার ভবিষ্যদ্বাণীটি ধরে রাখা, আপনি যে রোগীর জন্য ভবিষ্যদ্বাণী করেছেন এমন একটি গ্রুপ থেকে হওয়া উচিত যা গুণগতভাবে একইভাবে কক্স আনুপাতিক ঝুঁকি মডেলটি ব্যবহার করার জন্য ব্যবহার করেছিল যা আপনি ব্যবহার করেছেন ভবিষ্যদ্বাণী।

— Slak
সূত্র

6

basehazএর ফাংশন survivalপ্যাকেজ ইভেন্টের সময় বিন্দুতে বেসলাইন বিপত্তি প্রদান করে। এর থেকে আপনি অ্যাক্রামটি যে গণিতটি সরবরাহ করেন এবং আপনার কক্স্ফ অনুমানের ওআরএস অন্তর্ভুক্ত করতে পারেন।

— ECII
সূত্র

2

কক্স মডেলের পুরো বিষয়টি হ'ল আনুপাতিক বিপদের অনুমান এবং আংশিক সামঞ্জস্যতার ব্যবহার। আংশিক সম্ভাবনাটি বেসলাইন বিপত্তি কার্যটি বাদ দিয়েছে। সুতরাং আপনার একটি নির্দিষ্ট করার দরকার নেই। এটাই এর সৌন্দর্য!

— মাইকেল আর চেরনিক
সূত্র

2

আপনি যদি কোভারিয়েট ভেক্টরের কোনও নির্দিষ্ট মানের জন্য বিপদ বা বেঁচে থাকার অনুমান পেতে চান তবে আপনার বেসলাইন বিপদ বা বেঁচে থাকার অনুমানের দরকার নেই। নেলসন-অ্যালেন অনুমানটি সাধারণত কাজটি করে তোলে ...

— 15

1

প্রায়শই কক্স মডেলের সাথে আপনি দুটি টিকে থাকার ফাংশন তুলনা করছেন এবং কীটি হ্যাজার্ড ফাংশনটির চেয়ে বিপদ অনুপাত। বেসলাইন বিপত্তি একটি উপদ্রব প্যারামিটারের মতো যা কক্স আনুপাতিক বিপদ অনুমানটি ব্যবহার করে সমস্যা থেকে চতুরতার সাথে মুছে ফেলা হয়েছিল। মডেলটির প্রসঙ্গে হ্যাজার্ড ফাংশন এবং / অথবা বেসলাইন বিপত্তিটি নির্ধারণের জন্য আপনি যে পদ্ধতিটি ব্যবহার করতে চান তার জন্য মডেলটির কক্স ফর্ম ব্যবহার করা প্রয়োজন যা অনুপাতকে বাধ্য করে।

— মাইকেল আর চেরনিক

আপনাকে অনেক ধন্যবাদ, আপনি যদি ওক্রামের উত্তর সম্পর্কে আমার মন্তব্যটি দেখেন তবে দুর্দান্ত লাগবে। আপনি আমাকে সাহায্য করতে পারে?

— মার্জা

3

আনুপাতিক ঝুঁকিতে নেই এমন কারণগুলির উপরও আপনি স্তরবদ্ধ করতে পারেন। তবে যে কোনও হারে কক্স মডেল এবং তার বেসলাইন বিপদের পরে-ফিট-এর প্রাক্কলনকারী বেঁচে থাকার সময়, বিভিন্ন বেঁচে থাকার সম্ভাবনা এবং ভবিষ্যদ্বাণী করা গড় বেঁচে থাকার সময় পেতে যদি আপনার দীর্ঘমেয়াদী ফলোআপ থাকে তবে ব্যবহার করা যেতে পারে। এই সমস্ত পরিমাণগুলি আর প্যাকেজে পাওয়া সহজ rms।

— ফ্র্যাঙ্ক হ্যারেল

আপনার এটি নির্দিষ্ট করার দরকার নেই, তবে এটি অনুমান করা হয়।

— ডিউইন