Pertanyaan yang diberi tag «survival»

Analisis survival memodelkan waktu ke data peristiwa, biasanya waktu hingga mati atau waktu kegagalan. Data yang disensor adalah masalah umum untuk analisis survival.

1
Mengapa Anova () dan drop1 () memberikan jawaban berbeda untuk GLMM?
Saya memiliki GLMM formulir: lmer(present? ~ factor1 + factor2 + continuous + factor1*continuous + (1 | factor3), family=binomial) Ketika saya menggunakan drop1(model, test="Chi"), saya mendapatkan hasil yang berbeda daripada jika saya menggunakan Anova(model, type="III")dari paket mobil atau summary(model). Dua yang terakhir ini memberikan jawaban yang sama. Menggunakan banyak data yang …
10 r  anova  glmm  r  mixed-model  bootstrap  sample-size  cross-validation  roc  auc  sampling  stratification  random-allocation  logistic  stata  interpretation  proportion  r  regression  multiple-regression  linear-model  lm  r  cross-validation  cart  rpart  logistic  generalized-linear-model  econometrics  experiment-design  causality  instrumental-variables  random-allocation  predictive-models  data-mining  estimation  contingency-tables  epidemiology  standard-deviation  mean  ancova  psychology  statistical-significance  cross-validation  synthetic-data  poisson-distribution  negative-binomial  bioinformatics  sequence-analysis  distributions  binomial  classification  k-means  distance  unsupervised-learning  euclidean  correlation  chi-squared  spearman-rho  forecasting  excel  exponential-smoothing  binomial  sample-size  r  change-point  wilcoxon-signed-rank  ranks  clustering  matlab  covariance  covariance-matrix  normal-distribution  simulation  random-generation  bivariate  standardization  confounding  z-statistic  forecasting  arima  minitab  poisson-distribution  negative-binomial  poisson-regression  overdispersion  probability  self-study  markov-process  estimation  maximum-likelihood  classification  pca  group-differences  chi-squared  survival  missing-data  contingency-tables  anova  proportion 

3
Berarti waktu bertahan hidup untuk fungsi bertahan hidup normal-log
Saya telah menemukan banyak formula yang menunjukkan bagaimana menemukan waktu bertahan hidup rata-rata untuk distribusi eksponensial atau Weibull, tetapi saya kurang beruntung untuk fungsi bertahan hidup normal-log. Diberi fungsi bertahan hidup sebagai berikut: S( t ) = 1 - ϕ [ ln( t ) - μσ]S(t)=1−ϕ[ln⁡(t)−μσ]S(t) = 1 - \phi …
10 survival 

2
Bagaimana melakukan analisis ROC dalam R dengan model Cox
Saya telah membuat beberapa model regresi Cox dan saya ingin melihat seberapa baik kinerja model-model ini dan saya pikir mungkin kurva ROC atau statistik-c mungkin berguna seperti artikel ini: JN Armitage och JH van der Meulen, "Mengidentifikasi komorbiditas pada pasien bedah yang menggunakan data administratif dengan Royal College of Surgeons …
10 r  survival  roc 


2
Menguji asumsi bahaya proporsional dalam model parametrik
Saya mengetahui pengujian asumsi bahaya proporsional dalam konteks model Cox PH, tetapi saya belum menemukan sesuatu yang berkaitan dengan model parametrik? Apakah ada cara yang layak untuk menguji asumsi PH model parametrik tertentu? Sepertinya harus diberikan bahwa model parametrik hanya sedikit berbeda dari model Cox semi-parametrik? Misalnya, jika saya ingin …


2
Tren tingkat kelangsungan hidup dalam studi kasus-kontrol
Saya mengirimkan artikel yang ditolak karena cara yang tidak tepat melakukan analisis kelangsungan hidup. Wasit tidak meninggalkan detail atau penjelasan lain selain: "analisis kelangsungan hidup pada tren waktu membutuhkan cara penyensoran yang lebih canggih." Pertanyaan: Apakah risiko kematian yang berlebihan di kalangan perokok berkurang dalam beberapa dekade terakhir? Data: 25.000 …

4
Model Sejarah Acara Diskrit-Waktu (Bertahan Hidup) di R
Saya mencoba menyesuaikan model waktu-diskrit dalam R, tapi saya tidak yakin bagaimana melakukannya. Saya telah membaca bahwa Anda dapat mengatur variabel dependen dalam baris yang berbeda, satu untuk setiap pengamatan waktu, dan menggunakan glmfungsi dengan logit atau tautan cloglog. Dalam hal ini, saya memiliki tiga kolom: ID, Event(1 atau 0, …
10 r  survival  pca  sas  matlab  neural-networks  r  logistic  spatial  spatial-interaction-model  r  time-series  econometrics  var  statistical-significance  t-test  cross-validation  sample-size  r  regression  optimization  least-squares  constrained-regression  nonparametric  ordinal-data  wilcoxon-signed-rank  references  neural-networks  jags  bugs  hierarchical-bayesian  gaussian-mixture  r  regression  svm  predictive-models  libsvm  scikit-learn  probability  self-study  stata  sample-size  spss  wilcoxon-mann-whitney  survey  ordinal-data  likert  group-differences  r  regression  anova  mathematical-statistics  normal-distribution  random-generation  truncation  repeated-measures  variance  variability  distributions  random-generation  uniform  regression  r  generalized-linear-model  goodness-of-fit  data-visualization  r  time-series  arima  autoregressive  confidence-interval  r  time-series  arima  autocorrelation  seasonality  hypothesis-testing  bayesian  frequentist  uninformative-prior  correlation  matlab  cross-correlation 

1
Nilai variabel tersembunyi regresi linear R "bernilai"
Ini hanya contoh yang saya temui beberapa kali, jadi saya tidak punya data sampel. Menjalankan model regresi linier di R: a.lm = lm(Y ~ x1 + x2) x1adalah variabel kontinu. x2bersifat kategorikal dan memiliki tiga nilai, mis. "Rendah", "Sedang" dan "Tinggi". Namun output yang diberikan oleh R akan menjadi seperti: …
10 r  regression  categorical-data  regression-coefficients  categorical-encoding  machine-learning  random-forest  anova  spss  r  self-study  bootstrap  monte-carlo  r  multiple-regression  partitioning  neural-networks  normalization  machine-learning  svm  kernel-trick  self-study  survival  cox-model  repeated-measures  survey  likert  correlation  variance  sampling  meta-analysis  anova  independence  sample  assumptions  bayesian  covariance  r  regression  time-series  mathematical-statistics  graphical-model  machine-learning  linear-model  kernel-trick  linear-algebra  self-study  moments  function  correlation  spss  probability  confidence-interval  sampling  mean  population  r  generalized-linear-model  prediction  offset  data-visualization  clustering  sas  cart  binning  sas  logistic  causality  regression  self-study  standard-error  r  distributions  r  regression  time-series  multiple-regression  python  chi-squared  independence  sample  clustering  data-mining  rapidminer  probability  stochastic-processes  clustering  binary-data  dimensionality-reduction  svd  correspondence-analysis  data-visualization  excel  c#  hypothesis-testing  econometrics  survey  rating  composite  regression  least-squares  mcmc  markov-process  kullback-leibler  convergence  predictive-models  r  regression  anova  confidence-interval  survival  cox-model  hazard  normal-distribution  autoregressive  mixed-model  r  mixed-model  sas  hypothesis-testing  mediation  interaction 

3
Model efek acak menangani redudansi
Saya mencoba untuk berurusan dengan analisis waktu ke acara menggunakan hasil biner berulang. Misalkan waktu-ke-peristiwa diukur dalam beberapa hari tetapi untuk saat ini kami memutuskan waktu ke minggu. Saya ingin memperkirakan estimator Kaplan-Meier (tetapi memungkinkan untuk kovariat) menggunakan hasil biner berulang. Ini akan tampak seperti cara bundaran untuk pergi, tetapi …


4
Bagaimana cara menafsirkan kurva survival model bahaya Cox?
Bagaimana Anda menginterpretasikan kurva survival dari model hazard proporsional cox? Dalam contoh mainan ini, anggaplah kita memiliki model hazard proporsional cox pada agevariabel dalam kidneydata, dan menghasilkan kurva survival. library(survival) fit <- coxph(Surv(time, status)~age, data=kidney) plot(conf.int="none", survfit(fit)) grid() Misalnya, pada waktu , pernyataan mana yang benar? atau keduanya salah?200200200 Pernyataan …

1
Perkiraan ML dari distribusi eksponensial (dengan data yang disensor)
Dalam Analisis Kelangsungan Hidup, Anda menganggap waktu kelangsungan hidup rv untuk didistribusikan secara eksponensial. Mempertimbangkan sekarang bahwa saya memiliki x 1 , … , x n "hasil" dari iid rv's X i . Hanya sebagian dari hasil ini yang sebenarnya "sepenuhnya terwujud", yaitu pengamatan yang tersisa masih "hidup".XiXiX_ix1,…,xnx1,…,xnx_1,\dots,x_nXiXiX_i Jika saya …



Dengan menggunakan situs kami, Anda mengakui telah membaca dan memahami Kebijakan Cookie dan Kebijakan Privasi kami.
Licensed under cc by-sa 3.0 with attribution required.