 Как сравнить результаты регрессии Кокса |
Здравствуйте, гость ( Вход | Регистрация )
 21.02.2012 - 23:27
Сообщение
#1
|
|
|
Группа: Пользователи Сообщений: 27 Регистрация: 5.02.2012 Пользователь №: 23464  |
Уважаемые форумчане!
Для анализа выживаемости строю модель Кокса, с разными независимыми переменными. И появилась необходимость сравнить модели. И собственно вопрос у меня к Вам - как сравнить что одна полученная модель лучше чем другая? |
 |
 
|
 |
|
 |
Ответов
|
9.03.2012 - 14:40
Сообщение
#2
|
|
|
Группа: Пользователи Сообщений: 27 Регистрация: 5.02.2012 Пользователь №: 23464 |
Хорошо, файл прикрепил. В последней модели использовал предикторы efmss, gal, cys.
Жду Вас с нетерпением:) только что будете делать опишите так, чтобы я понял и мог сделать тоже самое:) Сообщение отредактировал propedevt - 9.03.2012 - 14:54
Прикрепленные файлы
|
|
|
|
|
|
|
9.03.2012 - 17:15
Сообщение
#3
|
|
 Группа: Пользователи Сообщений: 1091 Регистрация: 26.08.2010 Пользователь №: 22699 |
Цитата(propedevt @ 9.03.2012 - 14:40)  Хорошо, файл прикрепил. В последней модели использовал предикторы efmss, gal, cys. Жду Вас с нетерпением:) только что будете делать опишите так, чтобы я понял и мог сделать тоже самое:) Сначала данные и подгонка модели. Код > library(survival) > data<-read.csv2("cox_m4.csv") #читаем данные > head(data) #смотрим несколько первых строк X day event gal proBNP cys efmss 1 1 805 0 6 900 1800 0.30 2 2 805 0 3 400 1200 0.45 3 3 805 0 7 150 1000 0.69 4 4 805 0 13 200 900 0.57 5 5 760 1 20 900 3300 0.36 6 6 805 0 8 800 2400 0.40 > length(data[,1]) # сколько всего случаев [1] 197 > model5<-coxph(Surv(day,event)~ efmss + gal + cys, data) # собственно выбранная модель > summary(model5) Call: coxph(formula = Surv(day, event) ~ efmss + gal + cys, data = data) n= 197, number of events= 108 coef exp(coef) se(coef) z Pr(>|z|) efmss -3.757e+00 2.335e-02 1.130e+00 -3.324 0.000887 *** gal 9.448e-02 1.099e+00 1.051e-02 8.987 < 2e-16 *** cys 1.896e-04 1.000e+00 8.606e-05 2.203 0.027583 * --- Signif. codes: 0 ?***? 0.001 ?**? 0.01 ?*? 0.05 ?.? 0.1 ? ? 1 exp(coef) exp(-coef) lower .95 upper .95 efmss 0.02335 42.8186 0.002549 0.214 gal 1.09908 0.9098 1.076669 1.122 cys 1.00019 0.9998 1.000021 1.000 Rsquare= 0.654 (max possible= 0.996 ) Likelihood ratio test= 208.9 on 3 df, p=0 Wald test = 158.6 on 3 df, p=0 Score (logrank) test = 215.5 on 3 df, p=0 Прогноз который считает модель Цитата Predicted values are available based on either the linear predictor the risk for an individual relative to the average subject within the data set the expected number of events for an individual over the time interval that they were observed to be at risk, which is a component of the martingale residual, or for individual components of the linear predictor Код > predict(model5, type="lp", se.fit=FALSE)
[1] -2.18632414 -3.14706993 -3.70875790 -2.71002012 -0.80464171 -2.25929859 [7] -3.08799757 -2.40811880 -2.41023773 0.13723479 -3.16344410 -2.52261679 [13] -1.74607290 -0.58176455 -2.37054908 -2.37372747 -2.45183038 -2.37266801 [19] -1.02844012 -1.37028349 -1.93966416 -2.17903068 -2.18557176 -3.29553699 [25] -2.05531376 -2.82644514 -1.94015553 -2.73267437 -0.80306783 -2.44966538 [31] -2.60104982 -1.03368376 -2.46356747 -2.10313884 -3.03069098 -2.61667161 [37] -2.59883875 -2.68933898 -2.82390395 -2.22311845 -1.54034533 0.25133355 [43] -3.59715426 -2.24247912 0.32875319 -1.31673882 -1.27992148 -1.27989844 [49] -2.54087192 -1.95878685 -0.94026614 -2.40983850 -1.84059606 -1.72958355 [55] -2.07138085 -2.50542113 1.93030325 -0.82466261 -0.76634264 -0.11003936 [61] -0.99754969 0.42022074 -0.33413724 -0.55814298 -0.69445069 0.69496973 [67] -1.21972054 1.99028925 0.64639148 -2.36953568 0.25133355 0.92986880 [73] 0.36225391 -1.39590120 -0.88269855 0.38309631 0.58988335 0.04010133 [79] -2.92235788 -1.71504426 -2.03454047 -1.71436098 0.28859619 -1.42956318 [85] 0.27215291 -1.88430764 -0.90201314 -0.63867190 -0.48286531 0.98774348 [91] 0.45748338 0.72193016 -0.88378105 -1.79018371 -2.18345283 1.76678250 [97] -2.03463262 0.55405636 -0.10584757 -0.63057998 0.40198864 -0.65904596 [103] 1.59332732 0.19256827 -0.86439734 -0.22425331 -0.52521034 -0.40772586 [109] 0.45776743 0.13723479 -1.27947618 -1.24049383 -0.19868167 -0.86263157 [115] -0.16445160 0.78097948 0.91215873 -1.86497001 0.66570607 -0.48220507 [121] 0.61098676 0.79848223 0.15555902 -1.36372016 0.06169611 -2.20566177 [127] -1.14420490 0.55335005 5.46721790 0.04452348 -0.33559594 1.19831547 [133] -0.59959741 2.74521532 4.76859263 1.93140879 3.25585374 1.72492883 [139] 0.65241815 1.35099735 2.23344833 1.16027740 2.63031810 1.91035145 [145] 1.92964301 0.70362896 3.32882819 2.00690139 2.23307213 1.12124899 [151] 4.65282785 3.76430413 1.51548542 4.82310462 3.44325707 3.25580767 [157] 4.36803005 3.02857747 2.00831402 3.01034537 2.91506983 1.32697656 [163] 2.68616600 2.97098683 0.89077128 2.36754496 2.68859201 1.44105228 [169] 0.58767227 0.51403758 2.49848623 1.49805178 2.00586497 0.58988335 [175] 2.15793268 1.70568335 2.10405789 0.77956686 1.59186863 2.08345347 [181] 0.40013072 2.28925015 0.30645209 0.87018255 2.13963148 3.32878212 [187] 2.70536541 1.10096707 1.55305515 3.55777810 0.04421639 2.38582312 [193] 3.33024081 2.21547724 1.51548542 0.23020710 1.50539054 > predict(model5, type="risk") [1] 0.11232890 0.04297787 0.02450795 0.06653547 0.44724814 [6] 0.10442370 0.04559316 0.08998441 0.08979395 1.14709744 [11] 0.04227987 0.08024934 0.17445771 0.55891127 0.09342941 [16] 0.09313293 0.08613578 0.09323165 0.35756428 0.25403493 [21] 0.14375222 0.11315116 0.11241344 0.03704815 0.12805265 [26] 0.05922301 0.14368160 0.06504510 0.44795261 0.08632247 [31] 0.07419565 0.35569425 0.08513071 0.12207266 0.04828226 [36] 0.07304558 0.07435988 0.06792582 0.05937370 0.10827094 [41] 0.21430708 1.28573887 0.02740159 0.10619491 1.38923493 [46] 0.26800790 0.27805913 0.27806554 0.07879766 0.14102941 [51] 0.39052389 0.08982980 0.15872279 0.17735826 0.12601166 [56] 0.08164121 6.89159980 0.43838287 0.46470958 0.89579887 [61] 0.36878196 1.52229755 0.71595552 0.57227080 0.49934867 [66] 2.00364842 0.29531268 7.31765007 1.90864101 0.09352414 [71] 1.28573887 2.53417668 1.43656366 0.24760979 0.41366511 [76] 1.46681930 1.80377799 1.04091624 0.05380667 0.17995576 [81] 0.13074055 0.18007876 1.33455272 0.23941348 1.31278772 [86] 0.15193422 0.40575200 0.52799318 0.61701292 2.68516850 [91] 1.58009249 2.05840242 0.41321756 0.16692950 0.11265189 [96] 5.85199422 0.13072850 1.74029800 0.89956176 0.53228300 [101] 1.49479436 0.51734466 4.92009247 1.21235927 0.42130538 [106] 0.79911269 0.59143095 0.66516120 1.58054137 1.14709744 [111] 0.27818298 0.28924135 0.81981082 0.42204997 0.84835882 [116] 2.18361003 2.48969131 0.15490086 1.94586396 0.61742043 [121] 1.84224835 2.22216563 1.16831089 0.25570773 1.06363906 [126] 0.11017759 0.31847704 1.73906924 236.80047306 1.04552952 [131] 0.71491192 3.31452879 0.54903263 15.56796569 117.75340276 [136] 6.89922294 25.94175269 5.61212163 1.92017850 3.86127465 [141] 9.33199040 3.19081830 13.87818390 6.75546260 6.88705121 [146] 2.02107380 27.90562252 7.44022727 9.32848045 3.06868455 [151] 104.88115464 43.13367980 4.55163006 124.35055369 31.28870201 [156] 25.94055751 78.88807278 20.66781100 7.45074491 20.29440783 [161] 18.45010077 3.76962888 14.67530276 19.51116438 2.43700853 [166] 10.67116195 14.71094846 4.22513952 1.79979410 1.67202854 [171] 12.16406643 4.47296628 7.43251999 1.80377799 8.65323018 [176] 5.50514631 8.19937467 2.18052759 4.91292080 8.03215988 [181] 1.49201973 9.86753570 1.35859638 2.38734662 8.49630599 [186] 27.90433687 14.95978216 3.00707267 4.72588644 35.08515480 [191] 1.04520851 10.86800471 27.94507043 9.16578236 4.55163006 [196] 1.25886070 4.50591302 > predict(model5, type="expected") 1 2 3 4 5 6 7 0.09741257 0.03727077 0.02125350 0.05770012 0.26029088 0.09055712 0.03953877 8 9 10 11 12 13 14 0.07803524 0.07787007 0.87572766 0.03666546 0.06959290 0.15129120 0.48469256 15 16 17 18 19 20 21 0.08102277 0.08076566 0.07469767 0.08085127 0.31008276 0.22030123 0.06662098 22 23 24 25 26 27 28 0.09812564 0.09748588 0.03212846 0.11104834 0.05135869 0.12460190 0.05640766 29 30 31 32 33 34 35 0.38846828 0.07485957 0.06434309 0.30371060 0.07382607 0.06590057 0.04187079 36 37 38 39 40 41 42 0.06334574 0.06448551 0.05890585 0.05148937 0.09389348 0.18584891 0.92114753 43 44 45 46 47 48 49 0.02376289 0.09209312 1.20475624 0.23241871 0.24113522 0.24114078 0.06833400 50 51 52 53 54 55 56 0.12230189 0.33866561 0.07790116 0.13764574 0.15380657 0.10927837 0.07079994 57 58 59 60 61 62 63 1.54319697 0.18171314 0.40300006 0.77684433 0.31981083 0.06927014 0.62088266 64 65 66 67 68 69 70 0.48863513 0.43303938 0.97227876 0.03250515 4.78395309 0.16537057 0.08110492 71 72 73 74 75 76 77 0.14694725 0.90498987 0.45504521 0.21472930 0.35873387 1.27203806 0.93033237 78 79 80 81 82 83 84 0.83406021 0.04666160 0.15605915 0.11337930 0.15616582 0.07790488 0.20762139 85 86 87 88 89 90 91 1.13846058 0.13175863 0.35187155 0.15575776 0.02807636 0.57789685 1.37026952 92 93 94 95 96 97 98 0.54191702 0.35834575 0.10913106 0.09769267 0.26628726 0.11336886 0.87068667 99 100 101 102 103 104 105 0.22317478 0.03107217 0.65040068 0.30108588 0.01077213 1.05136817 0.36535957 106 107 108 109 110 111 112 0.69299726 0.51289390 0.57683340 1.37065880 0.21043827 0.24124262 0.08223406 113 114 115 116 117 118 119 0.30781553 0.36600529 0.60779342 0.66763945 0.68130989 0.13433133 0.90179729 120 121 122 123 124 125 126 0.40364193 0.65789260 0.74146453 0.08105875 0.22175190 0.65599925 0.09554693 127 128 129 130 131 132 133 0.03371261 0.68596307 0.69465773 0.83775672 0.06455349 1.78933885 0.47612572 134 135 136 137 138 139 140 0.34570904 1.65642691 0.04566908 0.01860585 0.73234819 1.66519498 3.34852992 141 142 143 144 145 146 147 1.39505890 0.01814069 0.23856851 0.93426907 1.60596606 1.75269223 3.37110028 148 149 150 151 152 153 154 0.11621245 1.21731071 0.37070821 1.21628368 0.40837624 3.26094425 1.44206602 155 156 157 158 159 160 161 1.01897196 0.57604734 1.75182298 0.17576492 1.15893131 2.06286055 0.51877603 162 163 164 165 166 167 168 0.04371556 0.56900548 0.02825276 0.42917254 1.00264005 0.47908808 0.71357947 169 170 171 172 173 174 175 0.44651592 1.44999724 1.00980925 0.26111063 0.28818108 0.60186215 0.50513469 176 177 178 179 180 181 182 0.02364640 0.61003936 0.17344290 0.03714014 0.15097160 0.86833034 1.96093102 183 184 185 186 187 188 189 1.17818623 0.17762030 1.22144772 0.90875412 2.42176769 0.59758204 1.86409115 190 191 192 193 194 195 196 2.04810554 0.90641363 0.63442276 0.12003320 0.23883016 0.90452498 0.54774348 197 0.44053876 > predict(model5, type="terms") efmss gal cys 1 -0.076855836 -1.81712524 -0.292343064 2 -0.640401728 -2.10055649 -0.406111708 3 -1.542075156 -1.72264816 -0.444034589 4 -1.091238442 -1.15578565 -0.462996030 5 -0.302274193 -0.49444606 -0.007921455 6 -0.452553097 -1.62817107 -0.178574420 7 -0.978529263 -1.81712524 -0.292343064 8 -0.828250359 -1.43921690 -0.140651539 9 -0.602832002 -1.43921690 -0.368188827 10 0.110992795 0.16689353 -0.140651539 11 -1.091238442 -1.62817107 -0.444034589 12 -0.715541180 -1.53369399 -0.273381624 13 -0.903389811 -0.77787731 -0.064805777 14 0.298841426 -0.77787731 -0.102728658 15 -0.790680633 -1.43921690 -0.140651539 16 -0.452553097 -1.43921690 -0.481957471 17 -0.001716383 -2.00607941 -0.444034589 18 -0.565262276 -1.43921690 -0.368188827 19 -1.016098989 0.35584770 -0.368188827 20 -0.677971454 -0.39996898 -0.292343064 21 -0.339843919 -1.15578565 -0.444034589 22 -1.203947620 -0.87235440 -0.102728658 23 -0.227134740 -1.62817107 -0.330265945 24 -1.053668716 -1.91160233 -0.330265945 25 0.035853343 -1.62817107 -0.462996030 26 -0.527692550 -1.91160233 -0.387150267 27 -0.076855836 -1.72264816 -0.140651539 28 -0.452553097 -1.81712524 -0.462996030 29 -0.715541180 0.16689353 -0.254420183 30 -0.302274193 -1.81712524 -0.330265945 31 -0.264704466 -2.00607941 -0.330265945 32 -0.001716383 -0.87235440 -0.159612980 33 -1.016098989 -1.34473982 -0.102728658 34 -1.279087073 -0.68340023 -0.140651539 35 -1.128808168 -1.53369399 -0.368188827 36 -0.865820085 -1.34473982 -0.406111708 37 -0.640401728 -1.62817107 -0.330265945 38 -1.203947620 -1.34473982 -0.140651539 39 -0.903389811 -1.62817107 -0.292343064 40 -0.302274193 -1.53369399 -0.387150267 41 -0.565262276 -0.87235440 -0.102728658 42 0.110992795 0.07241645 0.067924308 43 -1.241517346 -1.91160233 -0.444034589 44 -0.189565014 -1.72264816 -0.330265945 45 -0.302274193 0.73375604 -0.102728658 46 -0.076855836 -1.06130857 -0.178574420 47 0.110992795 -1.25026274 -0.140651539 48 0.073423069 -1.15578565 -0.197535861 49 -0.790680633 -1.53369399 -0.216497302 50 -0.076855836 -1.81712524 -0.064805777 51 0.110992795 -0.77787731 -0.273381624 52 -0.715541180 -1.25026274 -0.444034589 53 -0.828250359 -1.06130857 0.048962867 54 -0.640401728 -0.77787731 -0.311304505 55 -0.377413645 -1.34473982 -0.349227386 56 -0.527692550 -1.53369399 -0.444034589 57 0.674538687 1.01718729 0.238577274 58 -0.189565014 -0.49444606 -0.140651539 59 -0.377413645 -0.39996898 0.011039986 60 0.298841426 -0.11653772 -0.292343064 61 0.223701973 -0.96683148 -0.254420183 62 0.298841426 0.07241645 0.048962867 63 0.073423069 -0.49444606 0.086885749 64 -0.302274193 -0.49444606 0.238577274 65 0.148562521 -0.68340023 -0.159612980 66 0.073423069 0.73375604 -0.112209378 67 -0.452553097 -0.68340023 -0.083767217 68 -0.076855836 2.15091230 -0.083767217 69 0.373980878 0.26137061 0.011039986 70 -0.828250359 -1.62817107 0.086885749 71 0.110992795 0.07241645 0.067924308 72 0.298841426 0.73375604 -0.102728658 73 0.449120330 -0.02206064 -0.064805777 74 0.486690057 -1.62817107 -0.254420183 75 0.073423069 -0.87235440 -0.083767217 76 0.073423069 0.45032478 -0.140651539 77 0.298841426 0.35584770 -0.064805777 78 0.674538687 -0.68340023 0.048962867 79 -0.339843919 -2.10055649 -0.481957471 80 0.110992795 -1.53369399 -0.292343064 81 -0.227134740 -1.43921690 -0.368188827 82 0.073423069 -1.62817107 -0.159612980 83 0.110992795 0.26137061 -0.083767217 84 -0.001716383 -1.53369399 0.105847189 85 -0.227134740 0.45032478 0.048962867 86 -0.001716383 -1.62817107 -0.254420183 87 0.110992795 -0.87235440 -0.140651539 88 0.336411152 -0.87235440 -0.102728658 89 -0.452553097 0.07241645 -0.102728658 90 0.298841426 0.45032478 0.238577274 91 0.298841426 0.26137061 -0.102728658 92 0.336411152 0.45032478 -0.064805777 93 0.223701973 -0.96683148 -0.140651539 94 0.035853343 -1.53369399 -0.292343064 95 -0.452553097 -1.62817107 -0.102728658 96 -0.189565014 1.30061854 0.655728968 97 -0.076855836 -1.81712524 -0.140651539 98 0.110992795 0.26137061 0.181692952 99 -0.076855836 -0.30549189 0.276500155 100 -1.016098989 0.45032478 -0.064805777 101 0.186132247 0.16689353 0.048962867 102 0.486690057 -0.87235440 -0.273381624 103 0.073423069 1.39509563 0.124808630 104 0.486690057 -0.39996898 0.105847189 105 0.073423069 -0.68340023 -0.254420183 106 0.486690057 -0.49444606 -0.216497302 107 0.298841426 -0.68340023 -0.140651539 108 -0.377413645 0.07241645 -0.102728658 109 0.373980878 -0.02206064 0.105847189 110 0.110992795 0.16689353 -0.140651539 111 -0.076855836 -0.87235440 -0.330265945 112 -0.189565014 -0.87235440 -0.178574420 113 -0.602832002 0.54480187 -0.140651539 114 -0.114425562 -0.68340023 -0.064805777 115 0.035853343 -0.11653772 -0.083767217 116 0.035853343 0.63927895 0.105847189 117 0.411550604 0.07241645 0.428191680 118 -0.076855836 -1.53369399 -0.254420183 119 0.336411152 0.26137061 0.067924308 120 -0.452553097 -0.11653772 0.086885749 121 0.035853343 0.45032478 0.124808630 122 0.261271700 0.45032478 0.086885749 123 0.073423069 0.45032478 -0.368188827 124 -0.227134740 -0.77787731 -0.358708106 125 0.148562521 -0.02206064 -0.064805777 126 -0.001716383 -1.91160233 -0.292343064 127 -0.452553097 -0.58892314 -0.102728658 128 0.186132247 0.26137061 0.105847189 129 0.073423069 5.17417900 0.219615833 130 -0.076855836 0.07241645 0.048962867 131 0.298841426 -0.68340023 0.048962867 132 -0.264704466 1.39509563 0.067924308 133 0.073423069 -0.49444606 -0.178574420 134 0.298841426 2.15091230 0.295461596 135 0.110992795 4.22940816 0.428191680 136 0.486690057 1.20614146 0.238577274 137 0.298841426 2.52882064 0.428191680 138 0.298841426 1.11166437 0.314423036 139 -0.302274193 0.35584770 0.598844646 140 -0.264704466 1.11166437 0.504037443 141 0.524259783 1.48957271 0.219615833 142 -0.076855836 0.92271020 0.314423036 143 0.524259783 1.86748105 0.238577274 144 0.674538687 1.30061854 -0.064805777 145 0.674538687 1.20614146 0.048962867 146 0.336411152 0.26137061 0.105847189 147 0.674538687 2.33986647 0.314423036 148 0.524259783 1.20614146 0.276500155 149 0.599399235 1.39509563 0.238577274 150 0.110992795 0.73375604 0.276500155 151 0.674538687 3.28463731 0.693651849 152 0.636968961 2.62329772 0.504037443 153 0.636968961 0.45032478 0.428191680 154 0.749678140 3.19016023 0.883266255 155 0.674538687 2.15091230 0.617806086 156 0.373980878 2.33986647 0.541960324 157 0.749678140 3.19016023 0.428191680 158 0.411550604 2.15091230 0.466114561 159 0.373980878 1.20614146 0.428191680 160 0.298841426 2.24538938 0.466114561 161 0.524259783 1.77300396 0.617806086 162 0.449120330 0.63927895 0.238577274 163 0.599399235 1.96195813 0.124808630 164 0.486690057 2.15091230 0.333384477 165 0.599399235 0.26137061 0.030001427 166 0.449120330 1.30061854 0.617806086 167 0.411550604 1.77300396 0.504037443 168 0.486690057 0.45032478 0.504037443 169 0.674538687 -0.02206064 -0.064805777 170 0.298841426 0.35584770 -0.140651539 171 0.674538687 1.20614146 0.617806086 172 0.298841426 0.92271020 0.276500155 173 0.599399235 1.30061854 0.105847189 174 0.298841426 0.35584770 -0.064805777 175 0.524259783 1.39509563 0.238577274 176 0.223701973 1.39509563 0.086885749 177 -0.076855836 2.15091230 0.030001427 178 0.186132247 0.63927895 -0.045844336 179 0.298841426 1.20614146 0.086885749 180 0.449120330 1.20614146 0.428191680 181 0.524259783 -0.21101481 0.086885749 182 0.674538687 1.39509563 0.219615833 183 0.298841426 0.07241645 -0.064805777 184 0.298841426 0.45032478 0.121016342 185 0.524259783 1.20614146 0.409230239 186 0.749678140 2.15091230 0.428191680 187 0.749678140 1.48957271 0.466114561 188 0.110992795 1.11166437 -0.121690098 189 0.674538687 0.45032478 0.428191680 190 0.524259783 2.33986647 0.693651849 191 -0.114425562 0.26137061 -0.102728658 192 0.486690057 1.39509563 0.504037443 193 0.524259783 2.33986647 0.466114561 194 0.524259783 1.20614146 0.485076002 195 0.636968961 0.45032478 0.428191680 196 0.411550604 -0.11653772 -0.064805777 197 0.561829509 0.82823312 0.115327909 attr(,"constant") [1] 1.967401  |
|
|
|
|
|
Сообщений в этой теме
propedevt Как сравнить результаты регрессии Кокса 21.02.2012 - 23:27
propedevt Никто не знает как сравнить? 23.02.2012 - 08:14 DrgLena У вас была проблема, вы не знали формулу, хотя в д... 23.02.2012 - 11:24
propedevt Цитата(DrgLena @ 23.02.2012 - 11:24)... 23.02.2012 - 22:29 p2004r Цитата(propedevt @ 21.02.2012 - 23:2... 23.02.2012 - 17:50 propedevt Цитата(p2004r @ 23.02.2012 - 17:50) ... 23.02.2012 - 22:33 p2004r дубль 23.02.2012 - 18:01 propedevt Уважаемый p2004r!
Последовал Вашему совету и н... 3.03.2012 - 21:40 p2004r Цитата(propedevt @ 3.03.2012 - 21:40... 4.03.2012 - 12:54 propedevt Посмотрел, нашел что AIC ? информационный критерий... 4.03.2012 - 14:24 p2004r Цитата(propedevt @ 4.03.2012 - 14:24... 4.03.2012 - 18:31 propedevt Доброго времени суток, настали выходные и добрался... 8.03.2012 - 11:49 p2004r Вот приличный мануал
http://cran.r-project.org/do... 8.03.2012 - 14:44 propedevt Цитата(p2004r @ 8.03.2012 - 14:44) В... 8.03.2012 - 15:24 DrgLena ... 8.03.2012 - 18:13 propedevt Просто средние ковариат? тогда вот они:
gal 25,234... 8.03.2012 - 21:10 DrgLena ... 8.03.2012 - 22:27 propedevt Цитата(DrgLena @ 8.03.2012 - 22:27) ... 8.03.2012 - 23:09 DrgLena Вы сами выбираете единицу измерения времени, в зав... 9.03.2012 - 01:00 propedevt Вычитал даты и получал дни жизни (до 805 дней макс... 9.03.2012 - 08:15 propedevt Уважаемый p2004r, прошу меня извинить, но не сразу... 9.03.2012 - 10:04 p2004r Цитата(propedevt @ 9.03.2012 - 10:04... 9.03.2012 - 11:25 DrgLena ... 9.03.2012 - 10:59 propedevt Да понял, что если риск 0,8 то выживаемость 0,2
Гр... 9.03.2012 - 11:29 DrgLena Цитата(propedevt @ 9.03.2012 - 11:29... 9.03.2012 - 11:56 DrgLena Закат солнца в ручную у меня не получается с таким... 9.03.2012 - 12:32 p2004r Цитата(DrgLena @ 9.03.2012 - 12:32) ... 9.03.2012 - 13:24 DrgLena ... 9.03.2012 - 13:41 propedevt Что-то Вы меня совсем запутали:( перечитал что мне... 9.03.2012 - 14:04 p2004r Цитата(propedevt @ 9.03.2012 - 14:04... 9.03.2012 - 14:14 propedevt Да, до predict все делал точно также 9.03.2012 - 17:18 p2004r Теперь basehazard и счет на прямую. Центрированная... 9.03.2012 - 17:43 p2004r Код> exp(model5$linear.predictors... 9.03.2012 - 18:36 propedevt Цитата(p2004r @ 9.03.2012 - 18:36) К... 9.03.2012 - 18:49 p2004r Линейный предиктор он считает в момент фита
name... 9.03.2012 - 19:19 p2004r Конкретно в этой модели первая переменная похоже н... 9.03.2012 - 19:42 propedevt Цитата(p2004r @ 9.03.2012 - 19:42) К... 9.03.2012 - 20:35 p2004r Цитата(propedevt @ 9.03.2012 - 20:35... 9.03.2012 - 21:59 propedevt Цитата(p2004r @ 9.03.2012 - 19:19) Л... 9.03.2012 - 20:26 p2004r Цитата(propedevt @ 9.03.2012 - 20:26... 9.03.2012 - 22:33 propedevt Действия математические понятны. Но каков смысл pr... 9.03.2012 - 17:58 propedevt давайте уберем ее из модели, построим только на ga... 9.03.2012 - 22:01 propedevt Так понятно, но я вижу predict не используется же ... 9.03.2012 - 22:39 propedevt Итак хочу написать в математических операциях.
нач... 9.03.2012 - 23:23 p2004r Цитата(propedevt @ 9.03.2012 - 23:23... 10.03.2012 - 11:17 propedevt Т.к. убрал из модели efmss, добавил в нее возраст.... 10.03.2012 - 13:43 p2004r Цитата(propedevt @ 10.03.2012 - 13:4... 10.03.2012 - 21:06 |