Cox пропорциональная модель опасностей для подвергнутых цензуре данных

В этом примере показано, как создать Cox пропорциональная модель опасностей и оценить значение переменных предикторов.

Шаг 1. Загрузка демонстрационных данных.

Загрузите выборочные данные.

load readmissiontimes

Переменной отклика является ReadmissionTime, который показывает времена повторного доступа для 100 пациентов. Переменными предикторами 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, что подвергнутые цензуре данные, и 0 указывают точное время повторного доступа, наблюдаются. Это - симулированные данные.

Шаг 2. Соответствуйте Cox пропорциональная функция опасностей.

Соответствуйте Cox пропорциональная функция опасности переменной Sex как переменный предиктор, 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]
    LikelihoodRatioTestP: 5.9825e-09

p- значение, p, указывает, что термин Пол является статистически значительным.

Сохраните значение логарифмической правдоподобности с другим именем. Вы будете использовать это, чтобы оценить значение расширенных моделей.

loglSex = logl
loglSex = -262.1365

Шаг 3. Добавьте Возраст и Вес к модели.

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 правдоподобности модели без Возраста условий и Весом и логарифмической правдоподобностью модели с Полом, Возраста и Веса.

-2*[loglSex - logl]
ans = 3.6705

Теперь вычислите p- значение для статистической величины отношения правдоподобия. Статистическая величина отношения правдоподобия имеет Распределение хи-квадрат со степени свободы, равные количеству оцениваемых переменных предикторов. В этом случае, степени свободы 2.

p = 1 - cdf('chi2',3.6705,2)
p = 0.1596

p- значение 0,1596 указывает, что Возраст условий и Вес не являются статистически значительными, учитывая термин Пол в модели.

Шаг 4. Добавьте Курильщика в модель.

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 p- 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

p- 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

HR=hX(t)hX(t)=exp[βs(Xs-Xs)+βα(Xα-Xα)].

Соответствуйте Cox пропорциональная модель опасностей базовой линией 0.

X = [Sex Smoker];
[b,logl,H,stats] = coxphfit(X,ReadmissionTime,...
'censoring',Censored,'baseline',0);

Модель для отношения опасности

HR=hX(t)h0(t)=exp[βsXs+βαXα].

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.

Смотрите также

| |

Связанные примеры

Больше о

Для просмотра документации необходимо авторизоваться на сайте