Оставшийся в живых функционирует для двух групп

В этом примере показано, как искать эмпирические функции оставшегося в живых, и параметрические функции оставшегося в живых с помощью распределения типа XII Берра соответствуют к данным для двух групп.

Шаг 1. Загрузите и подготовьте выборочные данные.

Загрузите выборочные данные.

load('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 - симулированные 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')

Figure contains an axes. The axes contains 6 objects of type stair. These objects represent Fluorescent, Incandescent.

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 = 29143.4   [0.903922, 9.39617e+08]
        c = 3.44582   [2.13013, 5.57417]
        k = 33.7039   [8.10737e-14, 1.40114e+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')

Figure contains an axes. The axes contains 8 objects of type stair, line. These objects represent 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]
    LikelihoodRatioTestP: 0

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

Для просмотра документации необходимо авторизоваться на сайте