আর-তে কক্সফের "কোফ" এবং "(এক্সপ্রেস) কোফ" আউটপুটটির মধ্যে পার্থক্য কী?

14

আমি কক্সফের "কোফ" এবং "(এক্সপ্রেস) কোফ" আউটপুট ঠিক কী তা বোঝার চেষ্টা করছি। দেখে মনে হচ্ছে কমান্ডে নির্ধারিত গোষ্ঠী অনুসারে "(এক্সপ্রেস) কোফ" মডেলের প্রথম ভেরিয়েবলের সাথে তুলনা করে।

"কোফ" এবং "(এক্সপ্রেস) কোফ" এর মানগুলিতে কক্সফোফ ফাংশনটি কীভাবে আসে?

তদ্ব্যতীত, যখন সেন্সরিং জড়িত থাকে তখন কক্স্ফ কীভাবে এই মানগুলি নির্ধারণ করে?

r survival interpretation

— annemphillip
সূত্র

21

আপনার যদি একক ব্যাখ্যামূলক পরিবর্তনশীল থাকে তবে চিকিত্সা গ্রুপটি বলুন, একটি কক্সের রিগ্রেশন মডেল লাগানো হয়েছে coxph(); সহগ ( coef) একটি রিগ্রেশন সহগ হিসাবে পড়ে ( এরপরে বর্ণিত কক্স মডেলটির প্রসঙ্গে) এবং এর সূচকটি আপনাকে চিকিত্সা গোষ্ঠীতে বিপত্তি দেয় (নিয়ন্ত্রণ বা প্লাসবো গ্রুপের সাথে তুলনা করে)। উদাহরণস্বরূপ, যদি তবে , যা 16.5%। $\hat\beta=-1.80$ $\exp(-1.80)=0.165$

আপনি জানেন যে, বিপত্তি ফাংশন হিসাবে মডেল করা হয়

h (t) = h_{0} (t) \exp (β^{'} x)

$h(t)=h_0(t)\exp(\beta'x)$

যেখানে হ'ল বেসলাইন বিপত্তি। বিপত্তিগুলি উপর বহুগুণ নির্ভর করে এবং $h_0(t)$ $\exp(\beta_1)$ এমন দুটি ব্যক্তির মধ্যে বিপদের অনুপাত যেটির মানগুলি একক দ্বারা পৃথক হয় যখন অন্য সমস্ত কোভারিয়েট স্থির থাকে। এবং যে কোনও দুটি ব্যক্তির বিপদের অনুপাতটি , এবং বিপদ অনুপাত (বা ঘটনার হার অনুপাত) বলে called এই অনুপাতটি সময়ের সাথে ধ্রুবক হিসাবে ধরে নেওয়া হয়, সুতরাং আনুপাতিক বিপদের নাম । $x_1$ $i$ $j$ $\exp\big(\beta'(x_i-x_j)\big)$

আপনার পূর্ববর্তী প্রশ্নের প্রতিধ্বনি করতে survregএখানে ফর্মটি অনির্ধারিত রেখে গেছে; আরও স্পষ্টতই, এটি একটি আধা-প্যারাম্যাট্রিক মডেল যে কেবল কোভেরিয়েটের প্রভাবগুলি প্যারামাইট্রাইজড হয়, এবং বিপদের কার্যকারিতা নয়। অন্য কথায়, আমরা বেঁচে থাকার সময়গুলি সম্পর্কে কোনও বিতরণ অনুমান করি না। $h_0(t)$

আধিপত্য পরামিতি দ্বারা সংজ্ঞায়িত আংশিক লগ-সম্ভাবনা সর্বাধিক করে অনুমান করা হয়

ℓ = \sum_{f} \log (\frac{\exp (β^{'} x_{f})}{\sum_{r (f)} \exp (β^{'} x_{r})})

$\ell=\sum_f\log\left(\frac{\exp(\beta'x_f)}{\sum_{r(f)}\exp(\beta'x_r)}\right)$

যেখানে প্রথম সঙ্কলন সব মৃত্যু বা ব্যর্থতা শেষ হয়ে গেছে , এবং দ্বিতীয় সমষ্টি উপর সব বিষয় হল এখনও জীবিত (কিন্তু ঝুঁকিতে) ব্যর্থতার সময়ে - এই নামে পরিচিত ঝুঁকি সেট । অন্য কথায়, জন্য লগ প্রফাইল সম্ভাবনা যেমন ব্যাখ্যা করা যেতে পারে দূর পর (অথবা অন্য কথায়, কলিজা যেখানে কার্যাবলী দ্বারা প্রতিস্থাপিত করা হয়েছে যে সম্মান সঙ্গে সম্ভাবনা পূর্ণবিস্তার থেকে $f$ $r(f)$ $\ell$ $\beta$ $h_0(t)$ $h_0(t)$ $\beta$ $h_0(t)$ একটি স্থির ভেক্টরের জন্য )। $\beta$

সেন্সরিং সম্পর্কে, আপনি বাম সেন্সরিংয়ের বিষয়ে উল্লেখ করেছেন কিনা তা স্পষ্ট নয় (পর্যবেক্ষণ শুরু হওয়ার সময়কালের চেয়ে আমরা যদি সময়সীমার জন্য একটি উত্স বিবেচনা করি তবে আমরা সম্ভবত এটি বিবেচনা করতে পারি, যা বিলম্বিত এন্ট্রিও বলা হয় ), বা ডান-সেন্সরিং। যাই হোক না কেন, রিগ্রেশন সহগের গণনা এবং বেঁচে থাকা প্যাকেজ সেন্সর করার ব্যবস্থা সম্পর্কিত আরও বিশদ বিবরণ থেরিনিউ এবং গ্র্যাম্বসচে পাওয়া যাবে, মডেলিংয়ের বেঁচে থাকা ডেটা ( স্প্রঞ্জার , 2000)। টেরি থের্নো হলেন প্রাক্তন এস প্যাকেজের লেখক। একটি অনলাইন টিউটোরিয়াল উপলব্ধ।

$\chi^2$

— chl
সূত্র

4

+1, এটি একটি সহজ সরল এবং সোজাসাপ্টা প্রশ্নের একটি সত্যই তথ্যমূলক উত্তর। আরও তথ্যের জন্য আমি বিশেষত সংস্থানগুলির লিঙ্কগুলির প্রশংসা করি। এনবি টেরি থের্নির অনলাইন টিউটোরিয়ালের লিঙ্কটি মারা গেছে; এস-তে টিকে থাকার বিশ্লেষণের জন্য একটি প্যাকেজ একই উপাদানের লাইভ লিঙ্ক হতে পারে।

— গুং - মনিকা পুনরায়

5

টাইপ করে আর-তে প্রাপ্ত একটি কক্স্ফের জন্য মুদ্রণ পদ্ধতির ডকুমেন্টেশন উদ্ধৃত করতে ?survival::print.coxph:

coefficients লিনিয়ার প্রেডিক্টরের সহগগুলি, যা মডেল ম্যাট্রিক্সের কলামগুলিকে গুণ করে।

প্যাকেজটির লেখক যে সমস্ত ডকুমেন্টেশন সরবরাহ করেন তা। প্যাকেজে কোনও ব্যবহারকারীর গাইড বা প্যাকেজ ভিগনেট নেই। আর ব্যবহারকারী-বান্ধব হতে ডিজাইন করা হয়নি, এবং ডকুমেন্টেশন ধরে নেওয়া হয়েছে যে আপনি ইতিমধ্যে জড়িত পরিসংখ্যান পদ্ধতিগুলি বুঝতে পেরেছেন।

আমি ধরে নেব যে coefকলামটি উপরেরটি দেয় coefficientsএবং exp(coef)কলামটি হ'ল এটি। যেহেতু কক্স রিগ্রেশন একটি লগ লিঙ্ক ফাংশন জড়িত, সহগগুলি হ'ল লগ বিপদ অনুপাত। এগুলি ব্যাখ্যা করা আপনাকে বিপজ্জনক অনুপাত ফিরিয়ে দেয়।

— onestop
সূত্র