生存分析
Statistic_Code
记录学习点滴,分享生动观点
展开
-
生存分析第四课:Cox Proportional hazards model
Cox Proportional Hazards Model先来回顾一下上节课的内容:Test with two categoriesHypotheses:H0:S1(t)=S2(t)H_0:S_1(t)=S_2(t)H0:S1(t)=S2(t)H1:S1(t)≠S2(t)H_1:S_1(t)≠S_2(t)H1:S1(t)=S2(t)检验统计量是:q=[∑i=1mwi(d1,(i)−e^1,(i))]2∑i=1mwi2v^1,(i)q=\frac{[\sum_{i=1}^{m}原创 2020-10-26 23:01:37 · 1897 阅读 · 0 评论 -
生存分析第三课:Testing differences in survival curves -Two categories
Testing differences in survival curves引言 和大多数统计分析一样,生存分析一个非常关键的内容就是比较一些子群体是否表现一样,比如生存函数是否一样.NotationK:K:K: 类别数目dk,(i):d_{k,(i)}:dk,(i):有序时间t(i)t_{(i)}t(i)上,第k组内failures的次数nk,(i−):n_{k,(i^-)}:nk,(i−):有序时间t(i)t_{(i)}t(i)前一点点,第k组内处于死亡风险的人数d(i)原创 2020-10-11 09:33:18 · 351 阅读 · 0 评论 -
生存分析第二课:Kaplan-Meier estimate of S(t)
Kaplan-Meier estimate of S(t)S(t)S(t)导言 生存函数S(t)S(t)S(t)是个体至少生存到时刻ttt的概率。 对S(t)S(t)S(t)的估计可以通过参数视角,也可以通过非参数视角. 参数视角估计S(t)S(t)S(t):先假设一个生存时间TTT服从的分布,然后根据样本数据估计出未知参数,最后可估计出S(t)=1−F(t)S(t)=1-F(t)S(t)=1−F(t). 参数视角估计S(t)S(t)S(t)的优点: 模型明确,即使数据量原创 2020-10-07 10:40:26 · 1038 阅读 · 0 评论 -
生存分析第一课: censoring 、truncation、survival function、hazard function
Introduction to censoring and truncationQ1: Censoring? Truncation?1.Censoring 删失: 由于某些随机原因导致观察没有完成,而这些导致删失的原因必须和我们感兴趣的事件所独立【比如关心癌症病人生存时间,某个志愿者因为车祸等其他随机原因死亡,他的死亡发生和我们关心的肺癌无关,所以属于删失】;删失类型:(1). 右删失(right censoring):对象参与研究直到某个时间,且关心的事件仍未发生,但是没有继续参与观察。 .原创 2020-09-22 21:25:26 · 3166 阅读 · 0 评论