«hazard» 태그된 질문

"신장 카테터"데이터 세트가 있다고 가정하겠습니다. Cox 모델을 사용하여 생존 곡선을 모델링하려고합니다. Cox 모형을 고려하면 : 기준 위험 추정치가 필요합니다. 내장 패키지 R 함수 를 사용하면 다음과 같이 쉽게 할 수 있습니다.h ( t , Z) = h0특급( b'지) ,h(t,Z)=h0exp⁡(b′Z),h(t,Z) = h_0 \exp(b'Z),survivalbasehaz() library(survival) data(kidney) fit <- coxph(Surv(time, status) ~ age …

19 r  cox-model  hazard 

로지스틱 회귀 모델을 사용하여 불연속 시간 생존 분석을 수행하려고하는데 프로세스를 완전히 이해하지 못했습니다. 몇 가지 기본적인 질문에 도움을 주셔서 감사합니다. 설정은 다음과 같습니다. 5 년 내에 그룹 멤버십을보고 있습니다. 각 회원은 해당 회원이 그룹에 속한 각 달의 월별 회원 기록을 보유합니다. 5 년 동안 멤버십을 시작한 모든 멤버를 고려하고 있습니다 …

18 survival  discrete-data  hazard  kaplan-meier 

두 생존 곡선의 비교를 요약하는 한 가지 방법은 위험 비율 (HR)을 계산하는 것입니다. 이 값을 계산하는 데는 적어도 두 가지 방법이 있습니다. 로그 랭크 방법. Kaplan-Meier 계산의 일부로 각 그룹 ( 및 O b )에서 관찰 된 이벤트 수 (일반적으로 사망 ) 및 생존에 차이가없는 귀무 가설을 가정 한 예상 …

17 survival  hazard 

나는 통계를 이해하려고 노력하는 의대생입니다 (!)-조심하십시오! ;) 생존 분석 (Kaplan-Meier, Log-Rank 및 Cox regression)을 포함한 상당한 양의 통계 분석이 포함 된 에세이를 작성 중입니다. 데이터에 대해 콕스 회귀 분석을 실행하여 두 그룹 (고위험군 또는 저 위험군)에서 환자의 사망간에 유의 한 차이를 찾을 수 있는지 알아 냈습니다. Cox 회귀 분석에 여러 …

17 regression  survival  hazard 

보험 계리 과학의 각 주요 기능 (특히 Cox 비례 위험 모델)에 대한 직감을 얻으려고합니다. 여기까지 내가 가진 것입니다 : f(x)f(x)f(x) : 시작 시간에 시작하여 사망 할 확률 분포. F(x)F(x)F(x) : 누적 분포입니다. 시간 , 인구의 몇 %가 죽을 것인가?TTT S(x)S(x)S(x) : . 시간 에 인구의 몇 %가 살아 있습니까?1−F(x)1−F(x)1-F(x)TTT h(x)h(x)h(x) …

17 probability  survival  hazard 

위험률의 정의로 사용되는 방정식에 대해 혼란 스럽습니다. 나는 위험률이 무엇인지에 대한 아이디어를 얻었지만 방정식이 그 직관을 어떻게 표현하는지 보지 못합니다. xxx 가 시간 간격 에서 누군가의 사망 시점을 나타내는 임의의 변수 인 경우 [0,T][0,T][0,T]. 그런 다음 위험률은 다음과 같습니다. h(x)=f(x)1−F(x)h(x)=f(x)1−F(x)h(x)=\frac{f(x)}{1-F(x)} 여기서 F(x)F(x)F(x) 시점까지 사망 가능성을 나타내는 x∈[0,T]x∈[0,T]x\in[0,T] , 1−F(x)1−F(x)1-F(x) 시점까지 …

16 survival  intuition  hazard 

생존 분석 결과를 설명하는 한 논문에서 나는 공식을 사용하여 위험 비율 (HR)을 평균 생존 시간 비율 ( 및 ) 로 변환 할 수 있음을 암시하는 진술을 읽었습니다 .미디엄1미디엄1M_1미디엄2미디엄2M_2 HR = M1미디엄2H아르 자형=미디엄1미디엄2HR = \frac{M_1}{M_2} 비례 위험 모델을 취할 수 없을 때 유지되지 않습니다 (HR이 잘 정의되어 있지 않으면 아무것도 작동하지 …

15 survival  hazard 

coxph많은 변수를 포함 하는를 사용하여 R에서 Cox 비례 위험 회귀를 수행하고 있습니다. Martingale 잔차는 훌륭해 보이며, Schoenfeld 잔차는 모든 변수에 가장 좋습니다. Schoenfeld 잔차가 평탄하지 않은 변수는 세 가지가 있으며 변수의 특성은 시간에 따라 변할 수 있다는 의미입니다. 이것들은 내가 정말로 관심이없는 변수이므로 계층화하는 것이 좋습니다. 그러나 이들 모두는 범주 …

15 r  model  cox-model  hazard  schoenfeld-residuals 

몇 가지 논문을 읽었으며 평균 치료 효과 (ATE) 및 한계 치료 효과 (MTE)의 특정 정의에 대해 잘 모르겠습니다. 그들은 같은가요? 오스틴 에 따르면 ... 조건부 효과는 대상체 수준에서 대상체를 치료되지 않은 상태에서 처리 된 상태로 이동시키는 평균 효과입니다. 다 변수 회귀 모델에서 처리 할당 지표 변수에 대한 회귀 계수는 조건부 …

14 causality  hazard  propensity-scores  marginal-effect  marginal-model 

특정 사용자의 사이트 방문 횟수를 사용하여 고전적인 이탈 예측 문제를 해결하고 있으며 Poisson Regression이 해당 사용자의 향후 참여를 모델링하는 데 적합한 도구라고 생각했습니다. 그때 나는 생존 분석과 위험 모델링에 관한 책을 봤는데 어떤 기술이 가장 좋은지 모르겠습니다. 두 주제를 동시에 연구하고 싶지 않으므로 과거 데이터와 인구 통계를 사용하여 사용자 참여를 …

13 survival  hazard  poisson-process 

다음 Cox PH 모델이 있습니다. (시간, 이벤트) ~ X + Y + Z 내가 예측 위험 좀하고 싶습니다 요금 (내가 위험 비율에 대해 이야기하고 하지 의 특정 값을 주어 위험 비율) X, Y, Z. muhaz R 패키지 가 관측 된 위험률을 계산할 수 있다는 것을 알고 있지만 예측 모델에 관심이 …

11 r  survival  hazard  cox-model 

연속 변수에 대한 위험 비율을 보여주는 기사를 읽고 있지만 주어진 값을 해석하는 방법을 잘 모르겠습니다. 위험 비율에 대한 나의 현재 이해는 숫자가 어떤 조건에서 주어진 [사건]의 상대적 가능성을 나타냅니다. 예 : 흡연으로 인한 폐암 사망 위험 비율 (2 진 사건)이 2 인 경우, 흡연자는 비 흡연자보다 모니터링 된 시간에 사망 …

10 continuous-data  hazard 

로지스틱 회귀 분석에서 승산 비 2는 예측 변수의 1 단위 증가로 인해 사건이 2 배 더 가능성이 높다는 것을 의미합니다. 콕스 회귀 분석에서 위험률 2는 예측 변수가 1 단위 증가 할 때 각 시점에서 이벤트가 두 배 더 자주 발생 함을 의미합니다. 이것들은 실제로 같은 것이 아닌가? 로지스틱 회귀의 승산 …

10 logistic  cox-model  odds-ratio  hazard 

이것은 여러 번 나온 예제 일뿐이므로 샘플 데이터가 없습니다. R에서 선형 회귀 모델 실행 : a.lm = lm(Y ~ x1 + x2) x1연속 변수입니다. x2범주 형이며 "낮음", "중간"및 "높음"의 세 가지 값이 있습니다. 그러나 R이 제공하는 출력은 다음과 같습니다. summary(a.lm) Estimate Std. Error t value Pr(>|t|) (Intercept) 0.521 0.20 1.446 …

10 r  regression  categorical-data  regression-coefficients  categorical-encoding  machine-learning  random-forest  anova  spss  r  self-study  bootstrap  monte-carlo  r  multiple-regression  partitioning  neural-networks  normalization  machine-learning  svm  kernel-trick  self-study  survival  cox-model  repeated-measures  survey  likert  correlation  variance  sampling  meta-analysis  anova  independence  sample  assumptions  bayesian  covariance  r  regression  time-series  mathematical-statistics  graphical-model  machine-learning  linear-model  kernel-trick  linear-algebra  self-study  moments  function  correlation  spss  probability  confidence-interval  sampling  mean  population  r  generalized-linear-model  prediction  offset  data-visualization  clustering  sas  cart  binning  sas  logistic  causality  regression  self-study  standard-error  r  distributions  r  regression  time-series  multiple-regression  python  chi-squared  independence  sample  clustering  data-mining  rapidminer  probability  stochastic-processes  clustering  binary-data  dimensionality-reduction  svd  correspondence-analysis  data-visualization  excel  c#  hypothesis-testing  econometrics  survey  rating  composite  regression  least-squares  mcmc  markov-process  kullback-leibler  convergence  predictive-models  r  regression  anova  confidence-interval  survival  cox-model  hazard  normal-distribution  autoregressive  mixed-model  r  mixed-model  sas  hypothesis-testing  mediation  interaction 

그래서, 나는 16 개의 시험을 가지고 있는데, 여기에서 Hamming Distance를 사용하여 생체 특성으로부터 사람을 인증하려고합니다. 임계 값이 3.5로 설정되었습니다. 내 데이터는 다음과 같으며 1 번 시험 만 참 긍정입니다. Trial Hamming Distance 1 0.34 2 0.37 3 0.34 4 0.29 5 0.55 6 0.47 7 0.47 8 0.32 9 0.39 …

9 mathematical-statistics  roc  classification  cross-validation  pac-learning  r  anova  survival  hazard  machine-learning  data-mining  hypothesis-testing  regression  random-variable  non-independent  normal-distribution  approximation  central-limit-theorem  interpolation  splines  distributions  kernel-smoothing  r  data-visualization  ggplot2  distributions  binomial  random-variable  poisson-distribution  simulation  kalman-filter  regression  lasso  regularization  lme4-nlme  model-selection  aic  r  mcmc  dlm  particle-filter  r  panel-data  multilevel-analysis  model-selection  entropy  graphical-model  r  distributions  quantiles  qq-plot  svm  matlab  regression  lasso  regularization  entropy  inference  r  distributions  dataset  algorithms  matrix-decomposition  regression  modeling  interaction  regularization  expected-value  exponential  gamma-distribution  mcmc  gibbs  probability  self-study  normality-assumption  naive-bayes  bayes-optimal-classifier  standard-deviation  classification  optimization  control-chart  engineering-statistics  regression  lasso  regularization  regression  references  lasso  regularization  elastic-net  r  distributions  aggregation  clustering  algorithms  regression  correlation  modeling  distributions  time-series  standard-deviation  goodness-of-fit  hypothesis-testing  statistical-significance  sample  binary-data  estimation  random-variable  interpolation  distributions  probability  chi-squared  predictor  outliers  regression  modeling  interaction