R生存分析AFT

最新推荐文章于 2022-09-11 22:51:03 发布

weixin_33868027

最新推荐文章于 2022-09-11 22:51:03 发布

阅读量2.6k

点赞数 1

文章标签： r语言数据结构与算法

原文链接：http://www.cnblogs.com/wwxbi/p/6182851.html

版权

本文介绍了R语言中的生存分析方法，包括Surv函数用于创建生存对象，survreg函数拟合参数生存回归模型，如Weibull分布，并讨论了不同类型的删失数据。此外，还提到了survdiff函数用于比较生存曲线之间的差异，以及如何选择合适的检验方法。通过示例代码，解释了如何设置计算误差和选择检验类型。

摘要由CSDN通过智能技术生成

γ = 1/scale =1/0.902
α = exp(−(Intercept)γ)=exp(-(7.111)*γ)

> library(survival)
> myfit=survreg(Surv(futime, fustat)~1 , ovarian, dist="weibull",scale=0)
> summary(myfit)

Call:
survreg(formula = Surv(futime, fustat) ~ 1, data = ovarian, dist = "weibull", 
    scale = 0)
             Value Std. Error      z         p
(Intercept)  7.111      0.293 24.292 2.36e-130
Log(scale)  -0.103      0.254 -0.405  6.86e-01

Scale= 0.902 

Weibull distribution
Loglik(model)= -98   Loglik(intercept only)= -98
Number of Newton-Raphson Iterations: 5 
n= 26

画生存函数图

d<- seq(0, 2000, length.out=10000) 

h<-1-pweibull(d,shape=1/0.902,scale=exp(7.111))

df<-data.frame(t=d,s=h)

library(ggplot2)

ggplot(df,aes(x=t,y=s))+ 
  geom_line(colour="green")+ 
  ggtitle("s(t) \n 生存函数")

1. Surv

Description

创建一个生存对象，通常用作模型公式中的响应变量。参数匹配是此功能的特殊功能，请参阅下面的详细信息。

Surv(time, time2, event,
    type=c('right', 'left', 'interval', 'counting', 'interval2', 'mstate'),
    origin=0)
is.Surv(x)

Arguments
time
对于右删失数据，这是一个跟踪时间。对于区间数据，第一个参数是区间的开始时间。
event
状态指示，通常，0=活着，1=死亡。其他选择是TRUE/FALSE (TRUE = 死亡) or 1/2 (2=死亡)。对于区间删失数据，状态指示，0=右删失, 1=事件时间, 2=左删失, 3=区间删失.
右删失(Right Censoring)：只知道实际寿命大于某数；
左删失(Left Censoring)：只知道实际寿命小于某数；
区间删失(Interval Censoring)：只知道实际寿命在一个时间区间内。
time2
区间删失区间的结束时间或仅对过程数据进行计数。
type
指定删失类型。 "right", "left", "counting", "interval", "interval2" or "mstate".
如果event变量是一个因子，假定type="mstate"。如果没有指定参数time2，type="right"；如果指定参数time2，type="counting"

Surv使用示例

> str(lung)
'data.frame':	228 obs. of  10 variables:
 $ inst     : num  3 3 3 5 1 12 7 11 1 7 ...
 $ time     : num  306 455 1010 210 883 ...
 $ status   : num  2 2 1 2 2 1 2 2 2 2 ...
 $ age      : num  74 68 56 57 60 74 68 71 53 61 ...
 $ sex      : num  1 1 1 1 1 1 2 2 1 1 ...
 $ ph.ecog  : num  1 0 0 1 0 1 2 2 1 2 ...
 $ ph.karno : num  90 90 90 90 100 50 70 60 70 70 ...
 $ pat.karno: num  100 90 90 60 90 80 60 80 80 70 ...
 $ meal.cal : num  1175 1225 NA 1150 NA ...
 $ wt.loss  : num  NA 15 15 11 0 0 10 1 16 34 ...
> with(lung, Surv(time, status))
  [1]  306   455  1010+  210   883  1022+  310   361   218 
 [10]  166   170   654   728    71   567   144   613   707 
 [19]   61    88   301    81   624   371   394   520   574 
 [28]  118   390    12   473    26   533   107    53   122 
 [37]  814   965+   93   731   460   153   433   145   583 
 [4