共计 3934 个字符，预计需要花费 10 分钟才能阅读完成。
原文链接：http://tecdat.cn/?p=26632
了解世界，咱们能够从相关性的角度去形容，统计，机器学习，很多问题都是从相干的角度去形容的。咱们去构建一个模型，不论是统计机器学习模型，还是深度学习模型，实质上是构建一个简单映射。从特色到标签的一个映射，这个映射是有用的，但不齐全有用。
因果剖析
咱们在这里用一个隐喻，下雨，来形容 causal 和 relevance。咱们能够构建一个对于预测今天是否下雨的模型，从收集到的大量特色，以及历史的下雨后果最为标签，构建模型。不论准确率多少，咱们用这样一个模型可能预测今天是否可能下雨。
然而，咱们很多时候要的不仅仅是预测，而是须要改变现状，例如沙漠中，咱们想要哪些因素扭转了，可能导致下雨。这就波及到因果推断，causal inference。
因果生存剖析
在报告随机试验的后果时，除了动向医治效应外，钻研人员通常抉择出现合乎计划效应。然而，这些合乎计划的影响通常是回顾性形容的，例如，比拟在整个钻研期间保持其指定医治策略的个体之间的后果。这种对合乎计划效应的回顾性定义常常被混同，并且无奈进行因果解释，因为它遇到了医治混淆因素。
咱们的指标是概述应用逆概率加权对生存后果的因果推断。这里形容的基本概念也实用于其余类型的裸露策略，只管这些可能须要额定的设计或剖析思考。
生存曲线的非参数估计
# 对数据进行一些预处理
ifelse(nes$death==0, 120,
(ns$yrh-83)*12+nhefs$moh) # yrt 从 83 到 92 不等
summary(survtime)
survdiff(Surv(srtm, dah) ~ qmk, data=nes)
fit <- survfit(Surv(rvie, dth) ~ sk, data=ns)
ggsurvplot(fit
通过危险模型对生存曲线进行参数化预计
# 创立月数据
efsurv$ent <- ifelse(nhfs.rv$time==nhfs.urv$srvme-1 &
nhf.srv$death==1, 1, 0)
# 拟合参数性危险模型
haads.el <- glm(event==0 ~ qs
# 对每个人月的预计（1- 危险）的调配 */
qk0$pnoevt0 <- predict(hardoel, mk0, type="response")
# 计算每个人月的生存率
qm0$uv0 <- cumprod(qm0$pnoet0)
# 一些数据管理来绘制预计的生存曲线
hadgrh$suvdff <- haardsgph$suv1-hardgrph$srv0
# 绘制
ggplot(hads.aph
通过 IP 加权危险模型预计生存曲线
# 预计 ip 权重的分母
nef$p.mk <- predict(enm, nes, type="response")
# 预计 ip 权重的分子
p.m <- glm(qk ~ 1, data=nefs, family=binomial() )
hfs$pnsm <- predict(p.m, nes, type="response")
# 预计权重的计算
nef$s.<- ifelse(hes$qsk==1, nefs$pqmk/nhes$d.qmk,
(1-nfs$p.smk)/(1-nef$pdqk))
summary(nhs$swa)
# 创建人月数据
nhfsw <- exnRos(nhfs, "srvtime", drop=F)
nh.pw$ime <- sqee(rle(nefs.ipw$seqn)$lengths)-1
nhfipw$evnt <- ifele(nhf.iw$tie=nhefs.i$rv1 &)
nhfs.w$eath==1, 1, 0)
nhefpw$tmesq <- nhfs.pw$me^2
# 拟合加权危险模型
imel <- glm(eve
# 创立生存曲线
ipw.k0 <- data.frame(cbind(seq(0, 119),0, (seq(0, 119))^2))
# 对每个人月的预计（1- 危险）的调配 */
iwqk0$p.nvnt0 <- predict(ipwdl, pwm0, type="response")
iwsk1$povt1 <- predict(ip.el, ipmk1, type="response")
# 计算每个人月的生存率
ip.qs0$srv0 <- cumprod(ipwsk0$p.nevnt0)
ip.qm1$suv1 <- cumprod(iwqsk1$p.nvent1)
# 一些数据管理来绘制预计的生存曲线
ipwgph <- merge(ip.qmk0,pwsm1, by=c("time", "timesq") )
ipw.aph$surff <-ipw.ah$sv1-pwgrph$surv0
# 绘制
ggplot(ip.gph, ae
通过 g -formula 预计生存曲线
# 带有协变量的危险模型的拟合状况
g.mo <- glm(event==0 ~ qsm
# 创立数据集，包含每个医治程度下的所有工夫点
# 每个人在每个医治程度下的所有工夫点
gf.qmk <- exanos(nfs, cunt=120, cotis.cl=F)
gf.qm0$te <- rep(q(0, 119), now(nhf))
gqm0$tesq <- gqk0$tie^2
gqsk0$qmk <- 0
gfqsk1 <- gf.qm0
gf.sk1$mk <- 1
gfqk0$p.vnt0 <- predict(g.mdel, g.qk0, type="response")
gfqk1$p.eent1 <- predict(gf.mol, gf.mk1, type="response")# 绘图
ggplot(gf.graph
通过构造嵌套 AFT 模型预计中位生存工夫比率
# 对数据进行一些预处理
#
modelA <- glm(qsmk ~ sex +
nhs$pqsk <- predict(moeA, nhe, type="response")
d <- nes\[!is.na(hf$surve),\] # 只抉择有察看到的死亡工夫的人
# 定义须要被最小化的预计函数
smf <- function(pi){
# 创立 delta 指标
if (psi>=0){
delta <- ifelse
1, 0)
} else if (psi < 0) {dlta <- ifelse}
# 协方差
sgma <- t(at) %*% smat
if (sa == 0){siga <- 1e-16}
etm <- svl\*solve(sia)\*t(sal)
return(etmeq)
}
res <- optimize
# 应用简略的宰割法找到 95% 置信度上限和下限的估计值
frcf <- function(x){return(smef(x) - 3.84)
}
if (bfuc < 3.84){# 找到 sumeef(x)>3.84 的估计值
# 95%CI 的上限
while (tetlw < 3.84 & cnlow < 100){
psl <- pilw - incre
teslow <- sumeef(pslw)
cunlow <- cunlow + 1
}
# 95%CI 的上限值
while (tsigh < 3.84 & onhih < 100){
phigh <- pshih + inrem
testig <- sumeef(pihigh)
cunhgh <- cuntigh + 1
}
# 应用分切法进行更好的预计
if ((tstig > 3.84) & (tslw > 3.84)){
# 宰割法
cont <- 0
dif <- right - left
while {
test <- fmiddle * fleft
if (test < 0){} else {}
diff <- right - left
}
psi_high <- middle
objfunc_high <- fmiddle + 3.84
# 95%CI 的上限
left <- psilow
while(!){
test <- fmiddle * fleft
if (test < 0)
最受欢迎的见解
1.R 语言绘制生存曲线预计 | 生存剖析 | 如何 R 作生存曲线图
2.R 语言生存剖析可视化剖析
3.R 语言如何在生存剖析与 Cox 回归中计算 IDI，NRI 指标
4.r 语言中应用 Bioconductor 剖析芯片数据
5.R 语言生存剖析数据分析可视化案例
6.r 语言 ggplot2 误差棒图疾速指南
7.R 语言绘制性能富集泡泡图
8.R 语言如何找到患者数据中具备差别的指标？（PLS—DA 剖析）
9.R 语言中的生存剖析 Survival analysis 早期肺癌患者 4 例
