답변:
Cox 모델에 따라 공변량 벡터 x_i를 갖는 개별 i에 대한 추정 위험은 \ hat {h} _i (t) = \ hat {h} _0 (t) \ exp (x_i '\ hat {\ beta})입니다 . \ hat {\ beta} 는 부분적 가능성을 최대화하여 구할 수 있으며 \ hat {h} _0 은 Nelson-Aalen 추정기 \ hat {h} _0 (t_i) = \ frac {d_i} {\ sum_ {j : t_j \ geq t_i} \ exp (x_j '\ hat {\ beta})} 와 t_1 , t_2, \ dotsc 로 구별되는 이벤트 시간과 d_i 에서 t_i 에서의 사망자 수 (예 : 3.6 절 참조 ).
마찬가지로
validate
은 R의 기능 rms
와 함께 패키지 cph
함수는 할 것입니다. 에 구현 된 유일한 단계적 알고리즘 validate
은 역방향 스텝 다운입니다.
패키지 의 기능 predictSurvProb
은 pec
R을 사용하는 경우 기존 콕스 모델을 기반으로 새 데이터에 대한 절대 위험 추정치를 제공 할 수 있습니다.
수학적 세부 사항은 설명 할 수 없습니다.
편집 :이 함수는 생존 확률을 제공하며 지금까지 1- (이벤트 확률)로 사용했습니다.
편집 2 :
pec 패키지 없이도 할 수 있습니다. 다음 함수는 생존 패키지 만 사용하여 Cox 모델을 기반으로 절대 위험을 반환합니다.
risk = function(model, newdata, time) {
as.numeric(1-summary(survfit(model, newdata = newdata, se.fit = F, conf.int = F), times = time)$surv)
}
muhaz
R의 패키지 )를 요구한다고 생각합니다 .
S(t)=exp(−Λ(t))
어디에 있습니까 Λ(t)
?
어쩌면 이런 식으로 시도하고 싶습니까? Cox 비례 위험 모델을 피팅하고이를 사용하여 새 인스턴스에 대한 예상 생존 곡선을 얻습니다.
R 에서 survfit.coxph 의 도움말 파일에서 제거 했습니다 (방금 라인 부분을 추가했습니다).
# 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")
비례 위험 가정은 여전히 예측을 유지하기 위해 예측하는 환자는 질적으로 동일하게 사용 된 콕스 비례 위험 모델을 도출하는 데 사용 된 그룹과 동일해야합니다. 예측.
콕스 모델의 요점은 비례 위험의 가정과 부분 가능성의 사용입니다. 부분적 가능성은 기준 위험 기능이 제거되었습니다. 따라서 하나를 지정할 필요가 없습니다. 그것이 그 아름다움입니다!
rms
있습니다.