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。
输入参数
X
- - - - - -对预测变量
矩阵
对预测变量,作为指定n——- - - - - -p矩阵的p预测的n观察。
模型不包括一个常数项,因此X
不能包含一个列的1 s轨道。
如果X
,T
或者的价值“频率”
或“层”
包含南
值,然后coxphfit
删除行南
从所有数据拟合值Cox模型。
数据类型:双
T
- - - - - -比较数据
向量|两列矩阵
比较数据,指定为一个n1的向量或一个两列的矩阵。
当T是一个n1的向量,它代表了right-censored比较数据的事件时间。
当T是一个n2矩阵,每一行代表风险区间(启动、停止)在计算过程中为协变量时间格式。第一列是开始时间,第二列是停止时间。例如,看到的Cox比例风险模型协变量随时间变化。
如果X
,T
或者的价值“频率”
或“层”
包含南
值,然后coxphfit
删除行南
从所有数据拟合值Cox模型。
数据类型:单
|双
名称-值参数
指定可选的双参数作为Name1 = Value1,…,以=家
,在那里的名字
参数名称和吗价值
相应的价值。名称-值参数必须出现在其他参数,但对的顺序无关紧要。
R2021a之前,用逗号来分隔每一个名称和值,并附上的名字
在报价。
例子:“基线”,0,“审查”,censoreddata,频率,频率
指定coxphfit
计算基线故障率相对于0,考虑到审查信息向量中censoreddata
的频率,观察T
和X
给出了向量频率
。
B0
- - - - - -系数初始值
0.01 /性病(X)
(默认)|数值向量
系数初始值,指定为逗号分隔值组成的“B0”
和一个数字向量。
数据类型:双
基线
- - - - - -X
值的计算基准风险
意思是(X)
(默认)|标量值
X
值的计算基准风险,指定为逗号分隔组成的“基线”
和一个标量值。
默认值是意思是(X)
,所以故障率X
是h (t) * exp (X-mean (X)) * b)
。输入0
计算基线相对于0,所以风险率X
是h (t) * exp (X * b)
。改变基线不影响系数的估计,但风险比的变化。
例子:“基线”,0
数据类型:双
审查
- - - - - -指标审查
0年代的数组(默认)|0和1的数组
指标审查,指定为逗号分隔组成的“审查”
和一个布尔值数组的大小一样T
。使用1的观察是正确的审查和0充分观察观察。默认是所有的观察都是完全遵守。例如,看到的Cox比例风险模型审查数据。
例子:“审查”,岑
数据类型:逻辑
地层
- - - - - -分层变量
[]
(默认)|矩阵的值
分层变量指定为逗号分隔两人组成的矩阵的值。矩阵必须有相同的行数T
,每一行对应一个观察。
如果X
,T
或者的价值“频率”
或“层”
包含南
值,然后coxphfit
删除行南
从所有数据拟合值Cox模型。
默认的,[]
,没有分层变量。
例子:“地层”,性别
数据类型:单
|双
关系
- - - - - -方法来处理绑定失败
‘‘健康’
(默认)|“埃夫隆”
方法来处理绑定失败时候,指定为逗号分隔组成的“关系”
,要么‘‘健康’
(‘健康的方法)“埃夫隆”
(埃夫隆的方法)。
例子:“关系”,“埃夫隆”
选项
- - - - - -算法控制参数
结构
算法控制参数的迭代算法用于估计b
,指定为逗号分隔两人组成的“选项”
和结构。调用statset
创建这个论点。参数名称和默认值类型statset (“coxphfit”)
。你可以设置的选项下一个新的名字并使用名称-值对的论点。
例子:“选项”,statset (“coxphfit”)
输出参数
b
——系数估计
向量
系数估计为Cox比例风险回归,返回p1的向量。
logl
——Loglikelihood
标量
Loglikelihood的拟合模型,作为一个标量返回。
您可以使用对数似然值来比较不同模型和评估模型方面的影响的重要性。
统计数据
——系数统计
结构
系数的统计数据,作为结构包含以下字段返回。
β |
系数估计(一样b ) |
se |
标准误差系数估计,b |
z |
z统计数据为b (即,b 除以标准错误) |
p |
p值为b |
covb |
估计的协方差矩阵为 |
企业社会责任 |
Cox-Snell残差 |
devres |
异常残差 |
martres |
鞅残差 |
薛定 |
Schoenfeld残差 |
sschres |
缩放Schoenfeld残差 |
分数 |
分数残差 |
sscores |
按比例缩小的分数残差 |
coxphfit
返回Cox-Snell、鞅和异常残差与一行每一个列向量的观察。它返回Schoenfeld,缩放Schoenfeld,分数,分数残差矩阵相同大小的x Schoenfeld和缩放Schoenfeld审查数据的残差南
年代。
更多关于
算法
如果你想计算基线累积风险率(
H
)地层,地层的输入数据必须包含至少一个充分观察观察。从R2022a,如果地层只有审查观察,输出H
包括一个行南
年代的前两列和剩下的地层信息列。在以前的版本中,H
包括一排零没有地层信息。
引用
[1]考克斯湄,D. Oakes.生存数据的分析。伦敦:查普曼&大厅,1984。
[2]无法无天,j·F。寿命数据的统计模型和方法。新泽西州霍博肯:Wiley-Interscience, 2002年。
[3]Kleinbaum, d G。,m·克莱恩。生存分析。生物学和卫生统计,第二版。施普林格,2005年。
扩展功能
版本历史
Beispiel offnen
您有一张这本Beispiels geanderte版本。您这本Beispiel麻省理工学院古老Anderungen offnen吗?
MATLAB-Befehl
您有窗户的链接geklickt,汪汪汪der diesem MATLAB-Befehl entspricht:
在das MATLAB-Befehlsfenster Fuhren您窝Befehl军队Eingabe来自。浏览器unterstutzen MATLAB-Befehle。
你也可以从下面的列表中选择一个网站:
表现最好的网站怎么走吗
选择中国网站(中文或英文)最佳站点的性能。其他MathWorks国家网站不优化的访问你的位置。