coxphfit
Cox比例风险回归
描述
例子
使用Cox比例风险模型回归的一生灯泡
加载示例数据。
负载(“lightbulb.mat”);
灯泡的第一列数据的生命周期(小时)是两种不同类型的灯泡。第二列是二进制变量指示是否荧光灯或白炽灯泡。0表明荧光灯泡,和1表明它是白炽灯。第三列包含审查信息,0表示观察灯泡,直到失败,和1表明灯泡被审查。
适合Cox比例风险模型的生命周期灯泡,也为审查会计。预测变量是灯泡的类型。
b = coxphfit(灯泡(:,2),灯泡(:1),…“审查”灯泡(:3))
b = 4.7262
风险比的估计 = 112.8646。这意味着白炽灯泡的危害风险的荧光灯的112.86倍。
改变算法参数Cox比例风险模型
加载示例数据。
负载(“lightbulb.mat”);
第一列数据的生命周期(小时)两种类型的灯泡。第二列是二进制变量指示是否荧光灯或白炽灯泡。1表明,荧光和0表明它是白炽灯泡。第三列包含审查信息,其中0表示灯泡观察到失败,1表示项目(灯泡)审查。
Cox比例风险模型,也为审查会计。预测变量是灯泡的类型。
b = coxphfit(灯泡(:,2),灯泡(:1),…“审查”灯泡(:3))
b = 4.7262
显示的默认控制参数的算法coxphfit用来估计系数。
statset (“coxphfit”)
ans =结构体字段:显示:‘离开’MaxFunEvals: 200麦克斯特:100 TolBnd: [] TolFun: 1.0000 e-08 TolTypeFun: [] TolX: 1.0000 e-08 TolTypeX: [] GradObj:雅可比矩阵[]:[]DerivStep: [] FunValCheck:[]健壮:[]RobustWgtFun: [] WgtFun:[]的调子:[]UseParallel: [] UseSubstreams:[]流:{}OutputFcn: []
保存选项在一个不同的名称和改变将显示结果和最大迭代次数,显示和麦克斯特。
coxphopt = statset (“coxphfit”);coxphopt。显示=“最后一次”;coxphopt。麦克斯特=50;
运行coxphfit新算法的参数。
b = coxphfit(灯泡(:,2),灯泡(:1),…“审查”灯泡(:3),“选项”coxphopt)
成功的融合:梯度小于OPTIONS.TolFun规范
b = 4.7262
coxphfit显示一个报告最后的迭代。改变的最大迭代数并不影响系数估计。
适合和幸存者比较考克斯和威布尔函数
根据预测生成威布尔数据X。
rng (“默认”)%的再现性X = 4 *兰德(100 1);= 50 * exp (-0.5 * X);B = 2;y = wblrnd (A, B);
响应值产生的威布尔分布形状参数取决于预测变量X和2的尺度参数。
Cox比例风险模型。
[b, logL H,统计]= coxphfit (X, y);[b logL]
ans =1×20.9409 - -331.1479
系数估计是0.9409和对数似然值是-331.1479。
请求的统计模型。
统计数据
统计=结构体字段:covb: 0.0158 beta版:0.9409 se: 0.1256 z: 7.4889 p: 6.9462 e-14 csr: x1双[100]devres: x1双[100]martres: x1双[100]薛定:x1双[100]sschres: [100 x1双)得分:x1双[100]sscores: e-16 x1双[100]LikelihoodRatioTestP: 6.6613
系数估计的协方差矩阵,covb只包含一个值,等于系数的方差估计在这个例子。系数估计,β,是一样的b和= 0.9409。系数估计的标准误差,se是0.1256,0.0158方差的平方根。的
统计,z,是β/ se= 0.9409/0.1256 = 7.4880。假定值,p,显示的效果X是显著的。
情节的考克斯估计基线幸存者函数与已知的威布尔函数。
楼梯(H (: 1), exp (- H (:, 2)),“线宽”2)xx = linspace (0100);线(xx, 1-wblcdf (xx, 50 * exp(-0.5 *意味着(X)), B),“颜色”,“r”,“线宽”,2)xlim([0, 50])传说(“估计幸存者函数”,“威布尔函数幸存者”)
拟合模型给出了一个估计接近幸存者函数的实际分布。
