Шаг 1. Загрузите и организуйте выборочные данные.

Загрузите выборочные данные.

load('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')