Опасность и функции оставшегося в живых для различных групп
В этом примере показано, как оценить и построить совокупную опасность, и оставшийся в живых функционирует для различных групп.
Шаг 1. Загрузите и организуйте выборочные данные.
Загрузите выборочные данные.
load(fullfile(matlabroot,'examples','stats','readmissiontimes.mat'))
Данные имеют времена повторного доступа пациентов с информацией об их поле, возрасте, весе, куря состояние и цензуру. Это - симулированные данные.
Создайте матрицу времен повторного доступа и подвергающий цензуре для каждого пола.
female = [ReadmissionTime(Sex==1),Censored(Sex==1)]; male = [ReadmissionTime(Sex==0),Censored(Sex==0)];
Шаг 2. Оцените и постройте кумулятивную функцию распределения для каждого пола.
Постройте оценку Каплана-Мейера кумулятивной функции распределения для розеточных и штекерных пациентов.
figure() ecdf(gca,female(:,1),'Censoring',female(:,2)); hold on [f,x] = ecdf(male(:,1),'Censoring',male(:,2)); stairs(x,f,'--r') hold off legend('female','male','Location','SouthEast')
Шаг 3. Постройте функции оставшегося в живых.
Сравните функции оставшегося в живых для розеточных и штекерных пациентов.
figure() ax1 = gca; ecdf(ax1,female(:,1),'Censoring',female(:,2),'function','survivor'); hold on [f,x] = ecdf(male(:,1),'Censoring',male(:,2),'function','survivor'); stairs(x,f,'--r') legend('female','male')
Этот рисунок показывает, что времена повторного доступа короче для штекерных пациентов, чем пациентки.
Шаг 4. Соответствуйте функциям оставшегося в живых Weibull.
Соответствуйте распределениям Weibull ко временам повторного доступа розеточных и штекерных пациентов.
pd = fitdist(female(:,1),'wbl','Censoring',female(:,2))
pd =
WeibullDistribution
Weibull distribution
A = 12.5593 [10.749, 14.6745]
B = 1.99834 [1.56489, 2.55185]
pd2 = fitdist(male(:,1),'wbl','Censoring',male(:,2))
pd2 =
WeibullDistribution
Weibull distribution
A = 4.63991 [3.91039, 5.50551]
B = 1.94422 [1.48496, 2.54552]
pd2 = fitdist(male(:,1),'wbl','Censoring',male(:,2))
pd2 =
WeibullDistribution
Weibull distribution
A = 4.63991 [3.91039, 5.50551]
B = 1.94422 [1.48496, 2.54552]
Постройте функции оставшегося в живых Weibull для розеточных и штекерных пациентов на предполагаемых функциях оставшегося в живых.
plot(0:1:25,1-cdf('wbl',0:1:25,12.5593,1.99834),'-.') plot(0:1:25,1-cdf('wbl',0:1:25,4.63991,1.94422),':r') hold off legend('Festimated','Mestimated','FWeibull','MWeibull')
Распределение Weibull обеспечивает подходящий вариант для данных.
Шаг 5. Оцените совокупную опасность и соответствуйте Weibull совокупные функции опасности.
Оцените совокупную функцию опасности для полов и соответствуйте Weibull совокупные функции опасности.
figure() [f,x] = ecdf(female(:,1),'Censoring',female(:,2),... 'function','cumhazard'); plot(x,f) hold on plot(x,cumsum(pdf(pd,x)./(1-cdf(pd,x))),'-.') [f,x] = ecdf(male(:,1),'Censoring',male(:,2),... 'function','cumhazard'); plot(x,f,'--r') plot(x,cumsum(pdf(pd2,x)./(1-cdf(pd2,x))),':r') legend('Festimated','FWeibull','Mestimated','MWeibull',... 'Location','North')
Смотрите также
Связанные примеры
- Оставшийся в живых функционирует для двух групп
- Cox пропорциональная модель опасностей для подвергнутых цензуре данных
- Cox пропорциональная модель опасностей с зависящими от времени ковариантами