Оставшийся в живых функционирует для двух групп

Этот пример показывает, как искать эмпирические функции оставшегося в живых и параметрические функции оставшегося в живых с помощью подгонки распределения типа XII Берра к данным для двух групп.

Шаг 1. Загрузите и подготовьте выборочные данные.

Загрузите выборочные данные.

load(fullfile(matlabroot,'examples','stats','lightbulb.mat'))

Первый столбец данных имеет время жизни (в часах) двух типов лампочек. Второй столбец имеет информацию о типе лампочки. 0 указывает на флуоресцентные лампы, тогда как 1 указывает на лампу накаливания. Третий столбец имеет информацию о цензурировании. 1 указывает, что подвергнутые цензуре данные, и 0 указывают точное время отказа. Это - моделируемые данные.

Создайте переменную для каждой лампочки, вводят и также включают информацию о цензуре.

fluo = [lightbulb(lightbulb(:,2)==0,1),...
			lightbulb(lightbulb(:,2)==0,3)];
insc = [lightbulb(lightbulb(:,2)==1,1),...
			lightbulb(lightbulb(:,2)==1,3)];

Шаг 2. Постройте оцененные функции оставшегося в живых.

Постройте предполагаемые функции оставшегося в живых для двух различных типов лампочек.

figure()
[f,x,flow,fup] = ecdf(fluo(:,1),'censoring',fluo(:,2),...
				'function','survivor');
ax1 = stairs(x,f);
hold on
stairs(x,flow,':')
stairs(x,fup,':')
[f,x,flow,fup] = ecdf(insc(:,1),'censoring',insc(:,2),...
				'function','survivor');
ax2 = stairs(x,f,'color','r');
stairs(x,flow,':r')
stairs(x,fup,':r')
legend([ax1,ax2],{'Fluorescent','Incandescent'})
xlabel('Lifetime (hours)')
ylabel('Survival probability')

Вы видите, что вероятность выживания ламп накаливания намного меньше, чем та из люминесцентных ламп.

Шаг 3. Подходящее распределение Типа XII Шума.

Подходящее распределение Шума к пожизненным данным флуоресцентных и накаленных ламп типа.

pd = fitdist(fluo(:,1),'burr','Censoring',fluo(:,2))
pd = 
  BurrDistribution

  Burr distribution
    alpha = 29143.5   [0.903899, 9.39642e+08]
        c = 3.44582   [2.13013, 5.57417]
        k =  33.704   [8.10669e-14, 1.40126e+16]

pd2 = fitdist(insc(:,1),'burr','Censoring',insc(:,2))
pd2 = 
  BurrDistribution

  Burr distribution
    alpha = 2650.76   [430.773, 16311.4]
        c = 3.41898   [2.16794, 5.39197]
        k =  4.5891   [0.0307809, 684.185]

Наложите функции оставшегося в живых типа XII Шума.

ax3 = plot(0:500:15000,1-cdf('burr',0:500:15000,29143.5,...
			3.44582,33.704),'m');
ax4 = plot(0:500:5000,1-cdf('burr',0:500:5000,2650.76,...
			3.41898,4.5891),'g');
legend([ax1;ax2;ax3;ax4],'Festimate','Iestimate','FBurr','IBurr')

Шипите распределение обеспечивает хорошую подгонку в течение времени жизни лампочек в этом примере.

Шаг 4. Соответствуйте Cox пропорциональная модель опасностей.

Соответствуйте Cox пропорциональная регрессия опасностей, где тип лампы является объясняющей переменной.

[b,logl,H,stats] = coxphfit(lightbulb(:,2),lightbulb(:,1),...
'Censoring',lightbulb(:,3));
stats
stats = struct with fields:
       covb: 1.0757
       beta: 4.7262
         se: 1.0372
          z: 4.5568
          p: 5.1936e-06
      csres: [100x1 double]
     devres: [100x1 double]
    martres: [100x1 double]
     schres: [100x1 double]
    sschres: [100x1 double]
     scores: [100x1 double]
    sscores: [100x1 double]

p- значение, p, указывает, что тип лампочки является статистически значительным. Оценка отношения опасности exp(b) = 112.8646. Это означает, что опасность для ламп накаливания является 112.86 раз опасностью для флуоресцентных ламп.

Смотрите также

| |

Связанные примеры

Больше о