কীভাবে ভবিষ্যদ্বাণী করা .কক্স্ফের আউটপুট ব্যাখ্যা করবেন?

কোনও কক্সমোডেল লাগানোর পরে ভবিষ্যদ্বাণী করা এবং নতুন ডেটার আপেক্ষিক ঝুঁকি পুনরুদ্ধার করা সম্ভব। আমি যা বুঝতে পারি না তা কীভাবে কোনও ব্যক্তির জন্য আপেক্ষিক ঝুঁকি গণনা করা হয় এবং এটি কী সম্পর্কিত (অর্থাৎ জনসংখ্যার গড়)? সংস্থাগুলি বুঝতে সহায়তা করার জন্য কোনও প্রস্তাবনা (বেঁচে থাকার বিশ্লেষণে আমি এতটা উন্নত নই তবে এত সহজ)?

predictive-models relative-risk cox-model

— user4673
সূত্র

predict.coxph()সমস্ত প্রিডেক্টর ভেরিয়েবলের জন্য নমুনা গড়ের তুলনায় বিপজ্জনক অনুপাতটিকে গণনা করে । উপাদানগুলি যথারীতি ডামি ভবিষ্যদ্বাণীতে রূপান্তরিত হয় যার গড় গণনা করা যায়। মনে রাখবেন যে কক্স পিএইচ মডেল লগ-হ্যাজার্ড জন্য একটি লিনিয়ার মডেল : $p$ $\ln h(t)$

\ln h (t) = \ln h_{0} (t) + β_{1} X_{1} + \dots + β_{p} X_{p} = \ln h_{0} (t) + X β

$\ln h(t) = \ln h_{0}(t) + \beta_{1} X_{1} + \dots + \beta_{p} X_{p} = \ln h_{0}(t) + \bf{X} \bf{\beta}$

যেখানে অনির্ধারিত বেসলাইন বিপত্তি। সমানভাবে, বিপত্তি কে। ভবিষ্যদ্বাণীমূলক মানগুলি এবং with সহ দু'জনের এবং মধ্যে বিপদ অনুপাতটি এইভাবে বেসলাইন বিপদ থেকে স্বতন্ত্র এবং সময় : $h_{0}(t)$ $h(t)$ $h(t) = h_{0}(t) \cdot e^{\beta_{1} X_{1} + \dots + \beta_{p} X_{p}} = h_{0}(t) \cdot e^{\bf{X} \bf{\beta}}$ $i$ $i'$ $\bf{X}_{i}$ $\bf{X}_{i'}$ $t$

\frac{h_{i} (t)}{h_{i^{'}} (t)} = \frac{h_{0} (t) \cdot e^{X_{i} β}}{h_{0} (t) \cdot e^{X_{i^{'}} β}} = \frac{e^{X_{i} β}}{e^{X_{i^{'}} β}}

$\frac{h_{i}(t)}{h_{i'}(t)} = \frac{h_{0}(t) \cdot e^{\bf{X}_{i} \bf{\beta}}}{h_{0}(t) \cdot e^{\bf{X}_{i'} \bf{\beta}}} = \frac{e^{\bf{X}_{i} \bf{\beta}}}{e^{\bf{X}_{i'} \bf{\beta}}}$

মানুষের মাঝে মীমাংসা করে আনুমানিক বিপত্তি অনুপাত জন্য এবং , আমরা শুধু সহগ অনুমান প্লাগ ইন জন্য , দান এবং। $i$ $i'$ $b_{1}, \ldots, b_{p}$ $\beta_{1}, \ldots, \beta_{p}$ $e^{\bf{X}_{i} \bf{b}}$ $e^{\bf{X}_{i'} \bf{b}}$

আর এর উদাহরণ হিসাবে, আমি কক্স-পিএইচ মডেলের জন ফক্সের পরিশিষ্ট থেকে ডেটা ব্যবহার করি যা খুব সুন্দর সূচনা পাঠ্য সরবরাহ করে। প্রথমত, আমরা তথ্য আনা এবং মুক্তিপ্রাপ্ত বন্দীদের সময়-গ্রেপ্তারের জন্য একটি সাধারণ কক্স-পিএইচ মডেল তৈরি করি ( fin: ফ্যাক্টর - ডামি কোডিং "no"-> 0, "yes"-> 1 age,: মুক্তির সময় বয়স, prio: পূর্ববর্তী প্রত্যয় সংখ্যা:

> URL   <- "http://socserv.mcmaster.ca/jfox/Books/Companion/data/Rossi.txt"
> Rossi <- read.table(URL, header=TRUE)                  # our data
> Rossi[1:3, c("week", "arrest", "fin", "age", "prio")]  # looks like this
  week arrest fin age prio
1   20      1  no  27    3
2   17      1  no  18    8
3   25      1  no  19   13

> library(survival)                                      # for coxph()    
> fitCPH <- coxph(Surv(week, arrest) ~ fin + age + prio, data=Rossi)    # Cox-PH model
> (coefCPH <- coef(fitCPH))                              # estimated coefficients
     finyes         age        prio 
-0.34695446 -0.06710533  0.09689320

এখন আমরা আমাদের পূর্বাভাসীদের জন্য নমুনা গড়কে সূত্রে প্লাগ করি : $e^{\bf{X} \bf{b}}$

meanFin  <- mean(as.numeric(Rossi$fin) - 1)   # average of financial aid dummy
    meanAge  <- mean(Rossi$age)                   # average age
meanPrio <- mean(Rossi$prio)                  # average number of prior convictions
rMean <- exp(coefCPH["finyes"]*meanFin        # e^Xb
           + coefCPH["age"]   *meanAge
           + coefCPH["prio"]  *meanPrio)

এখন আমরা প্রথম 4 ব্যক্তির ভবিষ্যদ্বাণীমূলক মানগুলি সূত্রে প্লাগ করি । $e^{\bf{X} \bf{b}}$

r1234 <- exp(coefCPH["finyes"]*(as.numeric(Rossi[1:4, "fin"])-1)
           + coefCPH["age"]   *Rossi[1:4, "age"]
           + coefCPH["prio"]  *Rossi[1:4, "prio"])

এখন নমুনা গড়ের তুলনায় প্রথম 4 ব্যক্তির জন্য আপেক্ষিক ঝুঁকি গণনা করুন এবং এর থেকে আউটপুটটির সাথে তুলনা করুন predict.coxph()।

> r1234 / rMean
[1] 1.0139038 3.0108488 4.5703176 0.7722002

> relRisk <- predict(fitCPH, Rossi, type="risk")   # relative risk
> relRisk[1:4]
        1         2         3         4 
1.0139038 3.0108488 4.5703176 0.7722002

আপনার যদি একটি স্তরিত মডেল থাকে তবে তুলনাটি predict.coxph()স্তর-গড়ের সাথে বিপরীত, referenceসহায়তা পৃষ্ঠায় ব্যাখ্যা করা বিকল্পটির মাধ্যমে এটি নিয়ন্ত্রণ করা যেতে পারে ।

— বন্য বিড়ালবিশেষ
সূত্র

+1 কারণ অনুমান করা যায় না যে সাহায্যের পৃষ্ঠা থেকে ভবিষ্যদ্বাণী করা কোডটি ঠিক কী করে!

— ocram

এটা দুর্দান্ত ছিল! বুঝতে খুব সহজ!

— ব্যবহারকারী 4673

meanFin <- mean(as.numeric(Rossi$fin) - 1)finশ্রেণিবদ্ধ , যেহেতু খুব বেশি কিছু বোঝায় না । modeFin <- get_Mode(Rossi$fin)এই ক্ষেত্রে আপনার দরকার নেই ?

— ঝুবার্ব

@ ঝুবার্ব finবাইনারি, সুতরাং গুণকের সংখ্যাগত উপস্থাপনা কেবলমাত্র 1 এবং 2 এর মান রয়েছে। 1 বিয়োগের ফলে 0 এবং 1 এর মান সহ ডামি কোডেড ভেরিয়েবল পাওয়া যায় যা ডিজাইনের ম্যাট্রিক্সেও প্রদর্শিত হয়। মনে রাখবেন যে এটি 2 টিরও বেশি মাত্রার সহকারীর জন্য কাজ করবে না। এটি ডামি ভেরিয়েবলের গড় গড় বোঝা যায় কিনা তা অবশ্যই বিতর্কযোগ্য তবে এটিই তা predict.coxph()করে।

— কারাকাল

কথায় কথায়, আপনি কীভাবে 3.01 এর একটি ঝুঁকি অনুপাতের ব্যাখ্যা করবেন (উদাঃ রিলিস্ক [2])?

— আরএনবি