Этот пример показывает, как создать Cox пропорциональная модель опасностей и оценить значение переменных прогноза.
Загрузите выборочные данные.
load readmissiontimes
Переменной отклика является ReadmissionTime
, который показывает времена повторного доступа для 100 пациентов. Переменными прогноза является Age
, Sex
, Weight
и курящее состояние каждого пациента, Smoker
. 1 указывает, что пациент является курильщиком, и 0 указывает, что пациент не курит. Вектор-столбец Censored
имеет информацию о цензуре для каждого пациента, где 1 указывает на подвергнутые цензуре данные, и 0, указывает точное время повторного доступа, наблюдаются. Это - моделируемые данные.
Соответствуйте Cox пропорциональная функция опасности переменной Sex как переменная прогноза, принимая цензурирование во внимание.
X = Sex;
[b,logl,H,stats] = coxphfit(X,ReadmissionTime,'censoring',Censored);
Оцените статистическое значение термина Пол.
stats
stats = struct with fields:
covb: 0.1016
beta: -1.7642
se: 0.3188
z: -5.5335
p: 3.1392e-08
csres: [100x1 double]
devres: [100x1 double]
martres: [100x1 double]
schres: [100x1 double]
sschres: [100x1 double]
scores: [100x1 double]
sscores: [100x1 double]
- значение, p
, указывает, что термин Пол является статистически значительным.
Сохраните loglikelihood значение с другим именем. Вы будете использовать это, чтобы оценить значение расширенных моделей.
loglSex = logl
loglSex = -262.1365
Соответствуйте Cox пропорциональная модель опасностей переменными Sex, Возрастом и Весом.
X = [Sex Age Weight];
[b,logl,H,stats] = coxphfit(X,ReadmissionTime,'censoring',Censored);
Оцените значение условий.
stats.beta
ans = 3×1
-0.5441
0.0143
0.0250
stats.p
ans = 3×1
0.4953
0.3842
0.0960
Ни одно из условий, настроенных для других, не статистически значительно.
Оцените значение условий с помощью логарифмического отношения правдоподобия. Можно оценить значение новой модели с помощью статистической величины отношения правдоподобия. Сначала найдите различие между статистической величиной логарифмической вероятности модели без Возраста условий и Весом и логарифмической вероятностью модели с Полом, Возраста и Веса.
-2*[loglSex - logl]
ans = 3.6705
Теперь, вычислите - значение для статистической величины отношения правдоподобия. Статистическая величина отношения правдоподобия имеет Распределение хи-квадрат со степени свободы, равные количеству оцениваемых переменных прогноза. В этом случае, степени свободы 2.
p = 1 - cdf('chi2',3.6705,2)
p = 0.1596
- значение 0,1596 указывает, что Возраст условий и Вес не являются статистически значительными, учитывая термин Пол в модели.
Соответствуйте Cox пропорциональная модель опасностей переменными Sex и Smoker.
X = [Sex Smoker]; [b,logl,H,stats] = coxphfit(X,ReadmissionTime,... 'censoring',Censored);
Оцените значение членов в модели.
stats.p
ans = 2×1
0.0000
0.0148
Сравните эту модель с первой моделью, где Пол является единственным термином.
-2*[loglSex - logl]
ans = 5.5789
Вычислите - значение для статистической величины отношения правдоподобия. Статистическая величина отношения правдоподобия имеет Распределение хи-квадрат со степенью свободы 1.
p = 1 - cdf('chi2',5.5789,1)
p = 0.0182
- значение 0,0182 указывает, что Пол и Курильщик статистически значительные данный другой, находится в модели. Модель с Полом и Курильщиком является лучшей подгонкой по сравнению с моделью только с Полом.
Запросите содействующие оценки.
stats.beta
ans = 2×1
-1.7165
0.6338
Базовая линия по умолчанию является средним значением X
, таким образом, итоговая модель для отношения опасности
Соответствуйте модели ph Cox базовой линией 0.
X = [Sex Smoker]; [b,logl,H,stats] = coxphfit(X,ReadmissionTime,... 'censoring',Censored,'baseline',0);
Модель для отношения опасности
Запросите содействующие оценки.
stats.beta
ans = 2×1
-1.7165
0.6338
Коэффициенты не затронуты, но показатель риска отличается от того, когда базовая линия является средним значением X
.